Pronóstico aleatorio de la mortalidad forestal en cuidados críticos de EII: un modelo de base de datos dual que...

Área de la Ciencia:

• Medicina de cuidados intensivos
• Gastroenterología
• Ciencia de datos y aprendizaje automático

Sus antecedentes:

• Los pacientes con enfermedad inflamatoria intestinal (EII) ingresados en la unidad de cuidados intensivos (UCI) enfrentan riesgos significativos de mortalidad debido a complicaciones.
• Las herramientas de pronóstico existentes para predecir la mortalidad en pacientes con EII en estado crítico son limitadas.
• El aprendizaje automático (ML) tiene el potencial de mejorar la estratificación del riesgo mediante el análisis de datos clínicos complejos.

Objetivo del estudio:

• Desarrollar y validar modelos basados en ML para la estratificación del riesgo de mortalidad en pacientes con EII en estado crítico.
• Identificar los predictores clave de la mortalidad en esta cohorte de pacientes.
• Para crear un nomograma interpretable para el uso clínico.

Principales métodos:

• Análisis de 551 pacientes con EII de la base de datos MIMIC-IV, con validación externa utilizando el conjunto de datos de la UCI electrónica.
• Entrenamiento y evaluación de nueve algoritmos ML para predecir la mortalidad a 1 año.
• Utilizando la demografía, las comorbilidades, los resultados de laboratorio, los signos vitales y las puntuaciones de gravedad como predictores, con SHAP para la importancia de las características y la regresión logística para la construcción del nomograma.

Principales resultados:

• El modelo forestal aleatorio demostró una discriminación superior (AUC > 0,8) en la validación interna.
• Los predictores clave identificados incluyen antecedentes de malignidad, índice de comorbilidad de Charlson (CCI), ancho de distribución de glóbulos rojos (RDW), escala de coma de Glasgow (GCS), evaluación de insuficiencia orgánica secuencial (SOFA), edad, frecuencia cardíaca, peso y género.
• El nomograma desarrollado mostró un robusto rendimiento de validación externa (AUC > 0,8) en la cohorte de la UCI electrónica.

Conclusiones:

• Se desarrolló y validó un nuevo nomograma basado en ML para predecir la mortalidad en pacientes con EII en estado crítico.
• El nomograma integra predictores interpretables derivados de los datos de la UCI multicéntrica.
• Esta herramienta puede ayudar en la estratificación del riesgo y la toma de decisiones clínicas para esta población vulnerable.