Modelo de aprendizaje automático interpretable para predecir lesiones del miocardio en pacientes de la unidad de...

Área de la Ciencia:

• Medicina de cuidados intensivos
• El aprendizaje automático en el cuidado de la salud
• Investigación cardiovascular

Sus antecedentes:

• La identificación de lesiones en el miocardio en las unidades de cuidados intensivos (UCI) se ha investigado insuficientemente.
• La detección temprana de la lesión del miocardio es crucial para los resultados de los pacientes en entornos de cuidados intensivos.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir lesiones del miocardio en pacientes adultos de UCI.
• Identificar las variables clínicas clave asociadas con la lesión miocárdica en el entorno de la UCI.

Principales métodos:

• Estudio de cohorte retrospectivo en el que participaron 7453 pacientes adultos no sometidos a cirugía cardíaca ingresados en UCI (2012-2022).
• Desarrollo y comparación de cinco modelos de aprendizaje automático: regresión logística, bosque aleatorio, LASSO, máquina vectorial de soporte y XGBoost.
• Utilizó las explicaciones aditivas de SHapley (SHAP) para la interpretabilidad del modelo.

Principales resultados:

• El modelo XGBoost demostró el mayor rendimiento predictivo con un área bajo la curva (AUC) de 0,779 y una precisión de 0,781.
• Los predictores clave identificados por el modelo XGBoost incluyeron la frecuencia cardíaca máxima, la frecuencia respiratoria, la temperatura, la frecuencia cardíaca mínima, la edad y la transfusión de plasma.
• El modelo diferenció con éxito entre pacientes con y sin lesión miocárdica (29% frente a 71% de prevalencia).

Conclusiones:

• Un modelo de aprendizaje automático basado en XGBoost muestra un potencial significativo para predecir lesiones del miocardio en pacientes de UCI.
• Este modelo puede servir como una herramienta valiosa para la toma de decisiones clínicas y la detección temprana de lesiones del miocardio.
• Se necesitan más investigaciones y validación clínica para integrar esta herramienta predictiva en la práctica rutinaria de la UCI.