Predecir la mortalidad hospitalaria en pacientes de UCI con linfoma utilizando modelos de aprendizaje automático

Área de la Ciencia:

• Biología computacional
• Informática médica
• En el campo de la oncología

Sus antecedentes:

• El linfoma es una condición crítica con alta mortalidad, que a menudo requiere la admisión en la unidad de cuidados intensivos (UCI).
• Las herramientas de estratificación de riesgos existentes (SOFA, APACHE) tienen limitaciones en la captura de interacciones clínicas complejas en pacientes con linfoma.
• El aprendizaje automático (ML) ofrece capacidades predictivas avanzadas para los resultados de los pacientes mediante el análisis de extensos conjuntos de datos clínicos.

Objetivo del estudio:

• Desarrollar y validar modelos de ML para predecir la mortalidad hospitalaria en pacientes con linfoma en UCI.
• Mejorar la estratificación del riesgo y la toma de decisiones clínicas para esta población de alto riesgo.
• Utilizar los datos de la base de datos del Centro de Información Médica para Cuidados Intensivos IV (MIMIC-IV) para el desarrollo de modelos.

Principales métodos:

• Estudio de cohorte retrospectivo con datos de la base de datos MIMIC-IV.
• Regresión de lasso para la identificación de factores de riesgo significativos (por ejemplo, BUN, plaquetas, PT).
• Desarrollo y comparación de 15 modelos ML (incluido el clasificador CatBoost, la regresión logística, el bosque aleatorio, el aumento del gradiente, las redes neuronales) utilizando el análisis ROC/AUC y los valores SHAP.

Principales resultados:

• Se incluyeron 1591 pacientes con linfoma; 342 (21,5%) muertes en el hospital.
• CatBoost Classifier logró el mayor rendimiento predictivo (AUC = 0,7766).
• Se identificaron los principales predictores de mortalidad: BUN, plaquetas y PT; el análisis SHAP proporcionó información individualizada sobre el riesgo.

Conclusiones:

• Los modelos de ML, especialmente CatBoost Classifier, predicen efectivamente la mortalidad en el hospital en pacientes con linfoma en la UCI.
• Estos modelos superan a los métodos tradicionales en precisión y proporcionan información crucial sobre la estratificación del riesgo.
• Se recomienda la validación externa y la aplicación clínica para mejorar los resultados en este grupo de pacientes.