Cómo una tablet está cambiando la atención neonatal en Zimbabue

«La médica acaba de ingresar doce bebés en tres horas. Conoce el nombre y la edad gestacional de cada uno. Pero la historia clínica de siete de ellos está anotada en papeles sueltos que no sobrevivirán la semana, y las señales de alarma que vigila las lleva íntegramente en la memoria.» — El problema que Neotree fue diseñado para resolver

La mortalidad neonatal sigue siendo uno de los problemas más persistentes y, a la vez, más abordables de la salud global. África subsahariana carga con una parte desproporcionada del peso: en Zimbabue, las muertes neonatales representan aproximadamente el 40% de toda la mortalidad en menores de cinco años. Las causas — sepsis, hipotermia, asfixia al nacer, bajo peso al nacer — son en su mayoría prevenibles o tratables con una intervención clínica oportuna y adecuada. La brecha no es, principalmente, de conocimiento médico. Es de información.

Este es el problema que aborda Neotree.

Qué hace Neotree

Neotree es una plataforma de salud digital desplegada en unidades neonatales de Zimbabue (Hospital Central Sally Mugabe, Harare) y Malaui (Hospital Central Kamuzu, Blantyre). En su núcleo, es una herramienta de captura estructurada de datos: un formulario en tablet que guía al clínico a través del registro sistemático de la historia de ingreso del bebé, los signos clínicos, el plan de manejo y los resultados.

Pero Neotree es más que un formulario electrónico. A medida que el clínico introduce datos, la plataforma verifica la coherencia interna, señala señales de alerta clínicas según protocolos basados en evidencia y genera un registro de ingreso estructurado que puede revisarse, auditarse y analizarse. Cada bebé ingresado a través de Neotree genera un dato. Con el tiempo, esos datos se convierten en un conjunto de datos que, en una unidad neonatal con recursos limitados, sencillamente no existía antes.

La ciencia de datos detrás de la plataforma

Mi papel en Neotree abarca varias líneas de trabajo distintas pero interconectadas. La primera es el análisis de series temporales interrumpidas (STI) — un método epidemiológico para evaluar el impacto de una intervención sobre una medida de resultado ordenada en el tiempo. Estamos usando STI para cuantificar si — y en qué medida — la introducción de Neotree cambió los resultados neonatales en los hospitales donde se desplegó. Este trabajo está en preparación para su publicación.

La segunda línea es el machine learning para predicción clínica. Junto con colegas del UCL e Imperial College, estamos desarrollando modelos para predecir sepsis de inicio temprano e hipotermia a partir de los datos estructurados de ingreso que genera Neotree. La hipotermia — definida como temperatura inferior a 36,5 °C — es un predictor independiente sólido de mortalidad neonatal y es medible en el ingreso. Un modelo que pueda señalar bebés de alto riesgo antes de que el deterioro sea clínicamente evidente le da al clínico algo que actualmente no tiene: tiempo.

La tercera línea es la infraestructura de datos y gobernanza. El conjunto de datos de Neotree existe en dos entornos: una versión local gestionada en el hospital, y una versión alojada en el NHS Digital Services Hub (DSH), un Entorno de Investigación Confiable en el Reino Unido. Construir y mantener los pipelines que mueven los datos desde el punto de atención hasta una forma apta para el análisis — de forma limpia, consistente y conforme a los requisitos de gobernanza — es un trabajo ingrato. También es el fundamento de todo lo demás.

Por qué esto es difícil

El apoyo a la decisión clínica en entornos con recursos limitados es técnica y logísticamente diferente del mismo trabajo en un sistema hospitalario bien dotado. Las suposiciones de infraestructura que sustentan la mayoría de la IA clínica — conectividad fiable, registros electrónicos de salud estandarizados, grandes conjuntos de datos de entrenamiento etiquetados — no se cumplen aquí. Neotree fue diseñado desde cero para conectividad intermitente y un flujo de trabajo prioritariamente en tablet. Los modelos de machine learning que desarrollamos se entrenan con el propio conjunto de datos de Neotree, lo que significa que se construyen con datos reales de estos entornos clínicos específicos, no generalizados desde poblaciones de otros contextos.

Nada de esto hace el trabajo menos riguroso. Lo hace más restrictivo — y más directamente útil para los clínicos y los bebés a los que está diseñado para servir.