Eventos adversos pronósticos significativos en pacientes con urosepsia: un estudio de desarrollo y validación de...

Área de la Ciencia:

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

Sus antecedentes:

• La urosepsis, un subtipo de sepsis, tiene una incidencia creciente y una alta tasa de mortalidad.
• La predicción precisa del pronóstico es crucial para el tratamiento eficaz de los pacientes con urosepsia.

Objetivo del estudio:

• Desarrollar y validar un modelo interpretable de aprendizaje automático (ML) para predecir el pronóstico en pacientes con urosepsis.
• Identificar los principales factores pronósticos que influyen en los resultados de la urosepsia.

Principales métodos:

• Se utilizó la base de datos MIMIC-IV (v3.1) con 1389 pacientes con urosepsis, divididos en cohortes de entrenamiento/validación (7:3).
• Utilizó algoritmos ML (RF, Lasso, Boruta, XGBoost) para la selección de variables, identificando 9 predictores óptimos.
• El rendimiento del modelo evaluado utilizando la precisión, el AUC, la sensibilidad, la especificidad, el MCC y la puntuación F1, con SHAP para la interpretabilidad.

Principales resultados:

• El modelo XGBoost demostró un rendimiento superior con una precisión de 0,818 y un AUC de 0,904.
• La validación interna mostró resultados sólidos: precisión 0,797, AUC 0,869, sensibilidad 0,797, especificidad 0,752, MCC 0,597, puntuación F1 0,791.
• El análisis SHAP proporcionó explicaciones globales para el modelo XGBoost, destacando factores pronósticos críticos.

Conclusiones:

• Los modelos de ML, en particular XGBoost, ofrecen una capacidad de pronóstico significativa para la urosepsis.
• El ML interpretable (SHAP) facilita la comprensión clínica y la planificación del tratamiento personalizado.
• Se recomienda la validación externa en diversas poblaciones para la generalización.