JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Aprendizaje automático para predecir el uso preoperatorio de la bomba de globo intra-aórtica en pacientes sometidos a injerto de derivación de la arteria coronaria

  • 0Department of Cardiology, The First Affiliated Hospital with Nanjing Medical University, 300 Guangzhou Road, Nanjing, Jiangsu, 210029, China.
Journal of Cardiothoracic Surgery +

|

28 de agosto de 2025

|

28 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este resumen es generado por máquina.

Este estudio desarrolló un modelo de aprendizaje automático para predecir la necesidad de la implantación preoperatoria de la bomba de globo intra-aórtico (IABP) en pacientes con injerto de derivación de la arteria coronaria (CABG), ayudando a la toma de decisiones clínicas.

Área De La Ciencia

  • Cardiología
  • La informática médica
  • El aprendizaje automático en el cuidado de la salud

Sus Antecedentes

  • La bomba de globo intra-aórtico (BIA) es crucial para el choque cardiogénico durante la cirugía cardíaca.
  • Actualmente faltan modelos de predicción efectivos para la implantación preoperatoria de IABP.
  • La identificación temprana de los pacientes que necesitan IABP preoperatorio es esencial para la planificación quirúrgica.

Objetivo Del Estudio

  • Desarrollar y evaluar modelos de aprendizaje automático para predecir el riesgo de implantación de PIA preoperatoria.
  • Identificar los principales factores de riesgo asociados con el uso preoperatorio de IABP en pacientes con CABG.
  • Mejorar la estratificación temprana del riesgo y la toma de decisiones clínicas para la cirugía cardíaca.

Principales Métodos

  • Análisis retrospectivo de pacientes sometidos a injerto de derivación arterial coronaria (CABG) desde enero de 2015 hasta marzo de 2024.
  • Desarrollo de modelos de aprendizaje automático utilizando la selección de características a través del menor encogimiento absoluto y el algoritmo de validación cruzada del operador de selección (LassoCV).
  • Evaluación del rendimiento del modelo utilizando el área bajo la curva característica de funcionamiento del receptor (AUC) y las gráficas de Kolmogorov-Smirnov (KS).

Principales Resultados

  • El modelo Gaussian Naïve Bayes (GNB) demostró un rendimiento predictivo superior con AUC de 0,76 (entrenamiento) y 0,72 (validación).
  • El modelo GNB identificó los seis principales factores de riesgo para la implantación preoperatoria de IABP.
  • Las explantaciones aditivas de SHapley (SHAP) proporcionaron predicciones de riesgo visualizadas e individualizadas.

Conclusiones

  • El modelo de Gaussian Naïve Bayes (GNB) muestra una alta eficacia en la predicción de la implantación preoperatoria de IABP en pacientes con CABG.
  • Este modelo predictivo puede ayudar a los médicos en la evaluación del riesgo y la planificación del tratamiento.
  • Los hallazgos apoyan la integración del aprendizaje automático para mejorar los resultados en cirugía cardíaca.

Palabras clave: