Predicción de episodios de hipovigilancia en unidades de cuidados intensivos utilizando parámetros fisiológicos de...

Área de la Ciencia:

• Inteligencia artificial
• Medicina de cuidados intensivos
• Aprendizaje automático

Sus antecedentes:

• El delirio hipoactivo es común y difícil de detectar en UCI.
• Los signos sutiles como la hipovigilancia plantean desafíos de diagnóstico.
• Las herramientas existentes carecen de fiabilidad para la identificación oportuna del delirio hipoactivo.

Objetivo del estudio:

• Desarrollar un modelo de predicción de IA para la detección de eventos de hipovigilancia.
• Utilice los datos fisiológicos recopilados rutinariamente en la UCI para la predicción.
• Apoyar la identificación temprana del delirio hipoactivo.

Principales métodos:

• Estudio prospectivo de cohorte de observación en una UCI.
• Datos fisiológicos recogidos (elementos vitales, etc.) y las variables clínicas.
• Se entrenaron los modelos de Bosque Aleatorio, XGBoost y Máquina de Aumento de Gradiente de Luz en datos de series temporales.
• Se utilizó el análisis SHAP para la interpretación del modelo.

Principales resultados:

• La máquina de aumento de gradiente de luz mostró el mejor rendimiento (precisión del 68%).
• Los predictores clave incluyeron el estado de intubación, la frecuencia respiratoria y la presión arterial.
• Los modelos lograron una precisión del 76% y un recuerdo del 74% para la detección de hipovigilancia.

Conclusiones:

• Los modelos de aprendizaje automático muestran potencial para detectar la hipovigilancia.
• Estos algoritmos pueden ayudar en la detección temprana del delirio hipoactivo.
• Se justifica un mayor desarrollo basado en el rendimiento del clasificador.