Predecir la mortalidad en pacientes ancianos con enfermedad renal crónica utilizando la evaluación de riesgos...

Área de la Ciencia:

• Nefrología
• Enfermedad de los ancianos
• Ciencia de los datos
• Inteligencia artificial

Sus antecedentes:

• La carga global de la enfermedad renal crónica (ERC) en pacientes de edad avanzada está aumentando, lo que plantea desafíos significativos para el tratamiento.
• Los pacientes de edad avanzada a menudo experimentan una disminución después del inicio de la diálisis, lo que complica las decisiones de tratamiento.
• Los modelos de pronóstico actuales tienen limitaciones en la generalización y la captura de factores complejos del paciente.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático (ML) para predecir la mortalidad a los seis meses en pacientes ancianos que inician la hemodiálisis.
• Comparar el rendimiento de los modelos de ML con las herramientas de pronóstico tradicionales.
• Identificar los principales factores predictivos de la mortalidad mediante las explantaciones aditivas de SHapley (SHAP).

Principales métodos:

• Desarrollo de bosques aleatorios y modelos ML aleatorios equilibrados.
• Se utilizó una cohorte de un solo centro de 1.606 pacientes ancianos (≥65 años) con ERC avanzada iniciando hemodiálisis.
• Comparación del rendimiento del modelo ML (ROC-AUC) con las herramientas de pronóstico existentes, incorporando SHAP para la importancia de las características.

Principales resultados:

• El modelo de bosque aleatorio normal alcanzó un ROC-AUC de 0,83, superando ligeramente al modelo de bosque aleatorio equilibrado (0,82).
• Ambos modelos ML demostraron un rendimiento y una calibración superiores en comparación con las herramientas de pronóstico convencionales.
• El análisis SHAP proporcionó clasificaciones de la importancia de las características para la interpretabilidad del modelo.

Conclusiones:

• Los modelos basados en ML ofrecen mejoras modestas en la predicción de la mortalidad a los seis meses en pacientes ancianos con enfermedad renal terminal (ESRD).
• Estas herramientas predictivas pueden complementar el juicio clínico en la toma de decisiones compartida.
• Los modelos de aprendizaje automático proporcionan información pronóstica valiosa para apoyar, no reemplazar, la experiencia clínica.