Aprovechar el aprendizaje profundo para mejorar la detección de la desnutrición a través del cribado de riesgos...

Área de la Ciencia:

• Nutrición clínica
• Inteligencia artificial en el cuidado de la salud
• La informática médica

Sus antecedentes:

• Una evaluación nutricional precisa es crucial para los resultados de los pacientes.
• Las herramientas existentes como Nutrition Risk Screening 2002 (NRS-2002) tienen limitaciones para predecir las necesidades específicas de la terapia nutricional.
• El aprendizaje automático (ML) ofrece un potencial para mejorar las capacidades predictivas en la toma de decisiones clínicas.

Objetivo del estudio:

• Desarrollar y validar una nueva herramienta de cribado basada en ML para predecir la necesidad y el tipo (enteral, parenteral, combinado) de terapia nutricional.
• Integrar el NRS-2002 con parámetros demográficos (género, IMC, estado de cáncer, unidad hospitalaria) para una mejor predicción.
• Utilizar los datos nacionales de cohorte de Optimal Nutrition Care for All (ONCA) para el desarrollo y la validación de modelos.

Principales métodos:

• Un estudio de cohorte retrospectivo multicéntrico en el que participaron 191.028 pacientes.
• Desarrollo de un modelo de clasificación de aprendizaje automático en dos pasos utilizando bosques aleatorios, redes neuronales artificiales y algoritmos de aprendizaje profundo.
• Evaluación del rendimiento utilizando métricas como el área bajo la curva (AUC), la precisión, la sensibilidad y la especificidad.

Principales resultados:

• El aprendizaje profundo (DL) demostró un rendimiento superior tanto en la predicción de la necesidad como en el tipo de terapia nutricional.
• Los predictores clave para la necesidad de terapia nutricional incluyeron enfermedad grave y reducción de la ingesta dietética (AUC=0,933).
• Los factores importantes para la predicción del tipo de terapia fueron la enfermedad grave, el estado nutricional alterado y la admisión a la UCI (AUC=0,741); la adición de datos demográficos mejoró el AUC hasta en un 3,27%.

Conclusiones:

• Un modelo mejorado por ML que integra NRS-2002 con factores demográficos proporciona una clasificación precisa de las necesidades y tipos de terapia nutricional.
• Esta herramienta puede servir como un sistema de apoyo a la decisión clínica para guiar la terapia nutricional personalizada.
• Se recomienda una validación externa adicional en cohortes multinacionales más grandes antes de la implementación clínica generalizada.