Predicción de la mortalidad en pacientes en estado crítico con hipertensión utilizando modelos de aprendizaje automático y aprendizaje profundo | JoVE Visualize

Área de la Ciencia:

Medicina de cuidados intensivos
La informática médica
El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

La predicción precisa de la mortalidad en pacientes de la Unidad de Cuidados Intensivos (UCI) con hipertensión es crucial para la toma de decisiones clínicas.
Las herramientas de pronóstico tradicionales a menudo carecen de la sofisticación para capturar interacciones variables clínicas complejas en esta población.
El aprendizaje automático (ML) y el aprendizaje profundo (DL) ofrecen capacidades avanzadas para desarrollar modelos predictivos más precisos.

Objetivo del estudio:

Evaluar el rendimiento de varios modelos ML y DL en la predicción de la mortalidad entre pacientes hipertensivos en estado crítico.
Identificar los predictores clínicos clave de la mortalidad en este grupo de pacientes.
Comparar la eficacia de los diferentes modelos ML y DL para la predicción de la mortalidad.

Principales métodos:

Análisis retrospectivo de 30.096 pacientes hipertensivos en estado crítico en la UCI.
Comparación de los modelos tradicionales de ML (regresión logística, árboles de decisión, SVM) con los modelos DL (1D CNN, LSTM).
Evaluación utilizando el área bajo la curva de características de funcionamiento del receptor (AUC) y las explicaciones aditivas de SHapley (SHAP) para la identificación del predictor.

Principales resultados:

El modelo de red neuronal convolucional 1D (CNN) logró el AUC más alto (0,7744), superando a otros modelos ML y DL.
Los principales predictores de mortalidad identificados en los modelos incluyeron la puntuación de Evaluación III de Fisiología Aguda y Salud Crónica (APS-III), la edad del paciente y la duración de la estadía en UCI.
El análisis SHAP confirmó el impacto significativo de estos predictores en la evaluación del riesgo de mortalidad.

Conclusiones:

Los modelos de aprendizaje profundo, particularmente las CNN 1D, muestran una precisión predictiva superior para la mortalidad en pacientes hipertensivos en estado crítico en comparación con los modelos de aprendizaje automático tradicionales.
La integración de los modelos de DL en los flujos de trabajo clínicos puede mejorar la identificación temprana de pacientes de alto riesgo para intervenciones específicas.
Se necesita más investigación para la validación prospectiva y las consideraciones éticas de la implementación del modelo DL en la práctica clínica.