Lección 1Fundamentos de la fisiopatología de la sepsis y criterios clínicos (SIRS, qSOFA, SOFA, Sepsis-3)Repasa la biología de la sepsis y la respuesta del huésped, vinculando estos mecanismos a signos al lado de la cama como hipotensión, taquicardia y disfunción orgánica. Compara criterios SIRS, qSOFA, SOFA y Sepsis-3 y su uso en la triaje en urgencias.
Respuesta del huésped a la infección y disfunción orgánicaCambios hemodinámicos y fallo microcirculatorioSIRS, qSOFA, SOFA: componentes y umbralesDefinición Sepsis-3 y criterios de shock sépticoLimitaciones de los scores clínicos en urgenciasLección 2Seguridad, modos de fallo y mitigación: falsos positivos/negativos, deriva del modelo, problemas de calidad de datos, entradas adversariasIdentifica riesgos de seguridad como falsos positivos, falsos negativos, deriva del modelo y mala calidad de datos. Explora entradas adversarias o inesperadas, monitoreo robusto, barreras de protección, supervisión humana y procesos para actualizaciones seguras del modelo.
Falsos positivos, falsos negativos y modos de dañoComprobaciones de calidad de datos y detección de anomalíasDeriva del modelo, recalibración y reentrenamientoManejo de entradas adversarias o inesperadasSupervisión humana, anulaciones y gobernanzaLección 3Métricas de evaluación y estrategias de validación para predicción de sepsis: AUROC, AUPRC, calibración, tiempo de antelación, análisis de curva de decisiónDefine métricas clave de rendimiento para predicción de sepsis, incluyendo AUROC, AUPRC, calibración y tiempo de antelación. Explica validación interna y externa, validación temporal y análisis de curva de decisión para evaluación de utilidad clínica.
AUROC, AUPRC y desequilibrio de clasesCurvas de calibración y estratificación de riesgoTiempo de antelación y rendimiento específico del horizonteValidación interna, externa y temporalAnálisis de curva de decisión y beneficio netoLección 4Ingeniería de características y modelado temporal: preprocesamiento de series temporales, ventanas deslizantes, extracción de tendenciasExplica cómo limpiar y alinear datos de series temporales de urgencias para modelado. Cubre remuestreo, manejo de intervalos irregulares, ventanas deslizantes, características de tendencia y variabilidad, y codificación de intervenciones y contexto clínico a lo largo del tiempo.
Alineación temporal, remuestreo e interpolaciónVentanas deslizantes y horizontes de predicciónCaracterísticas de tendencia, variabilidad y derivadasCodificación de intervenciones y escalada de cuidadosManejo de series temporales irregulares y escasasLección 5Modelos de machine learning para predicción de riesgo agudo: regresión logística, árboles impulsados por gradiente, RNNs, redes convolucionales temporales, series temporales basadas en transformadoresCompara enfoques de modelado para predicción de riesgo agudo de sepsis, desde regresión logística hasta árboles impulsados por gradiente y modelos profundos de secuencias. Destaca fortalezas, limitaciones, interpretabilidad y adecuación a restricciones temporales en urgencias.
Regresión logística y opciones de regularizaciónÁrboles impulsados por gradiente e importancia de característicasRedes neuronales recurrentes para secuenciasRedes convolucionales temporales para series temporalesTransformadores para datos clínicos de series temporalesLección 6Modalidades de datos para detección en tiempo real de sepsis: signos vitales, analíticas, notas de enfermería, medicación, formas de ondaDescribe flujos clave de datos en tiempo real en urgencias, incluyendo signos vitales, pruebas de laboratorio, medicamentos, documentación de enfermería y formas de onda fisiológicas. Discute tasas de muestreo, fiabilidad y cómo cada modalidad señala sepsis en evolución.
Signos vitales y feeds de monitoreo continuoPaneles de laboratorio, cultivos y tiempos de respuestaÓrdenes de medicación, fluidos y vasopresoresNotas de enfermería, texto de triaje y hojas de flujoFormas de onda de monitores y dispositivos al lado de la camaLección 7Integración con flujos de trabajo de urgencias y sistemas EHR: flujos de eventos, FHIR, HL7, apps SMART on FHIR, CDS HooksDescribe cómo los modelos de IA para sepsis se integran en flujos de trabajo de urgencias y EHR. Revisa flujos de eventos, HL7, recursos FHIR, apps SMART on FHIR y CDS Hooks, enfatizando usabilidad, fiabilidad y mínima disrupción a la práctica clínica.
Arquitecturas impulsadas por eventos y flujos de datosRecursos HL7 y FHIR para señales de sepsisApps SMART on FHIR para soporte de decisiones al lado de la camaCDS Hooks para recomendaciones conscientes del contextoMapeo de flujos de trabajo y pruebas de usabilidadLección 8Diseño de alertas clínicas y factores humanos: umbrales, mitigación de fatiga por alarmas, flujos de escalada, quién recibe alertasCubre principios de diseño de alertas para clínicos de urgencias, incluyendo selección de umbrales, alertas escalonadas y enrutamiento a roles apropiados. Aborda fatiga por alarmas, timing de alertas, vías de escalada y presentación de explicaciones y contexto.
Elección de umbrales y niveles de alertasFatiga por alarmas y estrategias de supresiónQuién recibe alertas y por qué canalesFlujos de escalada y soporte de traspasoExplicación de alertas y provisión de contextoLección 9Requisitos regulatorios y de evidencia para IA diagnóstica: consideraciones FDA/CMS, diseño de estudios de validación clínica, pilotos prospectivos, estándares de reporte (TRIPOD, CONSORT-AI)Esquema expectativas regulatorias y de evidencia para IA diagnóstica en sepsis, incluyendo vías FDA, consideraciones CMS y validación clínica. Revisa pilotos prospectivos y estándares de reporte como TRIPOD y CONSORT-AI.
Vías FDA para herramientas de soporte diagnósticoCMS, reembolso y programas de calidadDiseño de estudios robustos de validación clínicaPilotos prospectivos e implementaciones por fasesGuías de reporte TRIPOD y CONSORT-AILección 10Consideraciones de frecuencia de despliegue y latencia: streaming casi en tiempo real vs puntuación por lotes, manejo de datos faltantes y retrasadosDiscute arquitecturas de despliegue para modelos de sepsis, comparando streaming casi en tiempo real con puntuación por lotes. Aborda presupuestos de latencia, manejo de datos faltantes o retrasados, relleno retrospectivo y monitoreo de salud del pipeline de datos en urgencias.
Streaming casi en tiempo real vs puntuación por lotesPresupuestos de latencia y definiciones SLAImputación para entradas faltantes y retrasadasRelleno retrospectivo, repetición y datos tardíosMonitoreo de pipelines y resiliencia del sistema
