Predecir los principales eventos adversos cardiovasculares después de la cirugía cardíaca utilizando parámetros...

Área de la Ciencia:

• Cardiología
• La informática médica
• Ingeniería biomédica

Sus antecedentes:

• Los eventos adversos cardiovasculares mayores (EACM) son una de las principales causas de mortalidad después de la cirugía cardíaca.
• Los modelos de riesgo actuales a menudo carecen de una evaluación exhaustiva de la mecánica auricular y los biomarcadores.
• La mejora de la estratificación del riesgo preoperatorio es crucial para los resultados de los pacientes.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático interpretable para predecir el MACE perioperatorio.
• Integrar las características clínicas, bioquímicas y nuevas ecocardiográficas en el modelo predictivo.
• Identificar los marcadores fisiológicos clave que influyen en el riesgo cardiovascular.

Principales métodos:

• Análisis retrospectivo de 131 pacientes sometidos a una cirugía cardíaca mayor.
• Desarrollo de un clasificador de aumento de gradiente extremo (XGBoost).
• Utilizó las explicaciones aditivas de SHapley (SHAP) para la interpretabilidad del modelo.

Principales resultados:

• El modelo de aprendizaje automático demostró un rendimiento robusto con un AUC promedio de 0,846 ± 0,092 y una puntuación F1 de 0,807 ± 0,096.
• Los predictores clave incluyeron el tiempo total de conducción auricular, las áreas del orificio anular mitral / tricúspide y el colesterol HDL.
• El modelo proporcionó información clínicamente intuitiva sobre los perfiles de riesgo individuales.

Conclusiones:

• La combinación de ecocardiografía, bioquímica y aprendizaje automático ofrece potencial para la predicción individualizada del riesgo cardiovascular.
• Los nuevos parámetros mejoran significativamente el rendimiento predictivo, incluso en pacientes con función ventricular izquierda preservada.
• La validación prospectiva en cohortes más grandes es necesaria para la integración clínica.