La aplicación del aprendizaje automático para la identificación de la fragilidad en pacientes mayores durante la...

La identificación temprana de los pacientes frágiles y el tratamiento intervencionista precoz pueden minimizar la carga médica relacionada con la fragilidad. Este estudio investigó el uso del aprendizaje automático (ML) para detectar la fragilidad en adultos mayores hospitalizados con enfermedades agudas.

Inscribimos a pacientes hospitalizados de la unidad de medicina geriátrica del Hospital General de Veteranos de Taichung entre 2012 y 2022. Comparamos cuatro modelos de ML, incluidos la regresión logística, el bosque aleatorio (RF), el potenciador de gradiente extremo y la máquina de vectores de soporte (SVM), para la predicción de la fragilidad. Tanto la ventana de características como la ventana de predicción se establecieron en medio año antes del ingreso. Además, se utilizaron gráficos de explicación aditiva de Shapley y gráficos de dependencia parcial para identificar el fenotipo de fragilidad de Fried con el fin de interpretar el modelo en diversos niveles, incluidos los aspectos de dominio, característica e individuales.

Se reclutaron 3367 pacientes, de los cuales 2843 presentaban fragilidad. Se utilizaron 21 características para entrenar el modelo de predicción. De los 4 algoritmos evaluados, el SVM proporcionó el AUROC, la precisión y la puntuación F1 más altos (78,05 %, 94,53 % y 82,10 %). De las 21 características, la edad, el género, el índice de fragilidad por multimorbilidad, el triaje, la hemoglobina, la relación de neutrófilos, la tasa de filtración glomerular estimada, el nitrógeno ureico en sangre y el potasio se identificaron como las de mayor impacto debido a sus valores absolutos.

Nuestros resultados demostraron que algunos parámetros de fácil acceso del sistema de datos clínicos hospitalarios pueden utilizarse para predecir la fragilidad en pacientes hospitalizados mayores mediante métodos de ML supervisado.