Video Experimental Relacionado
Updated: Sep 9, 2025
06:13
The Intra-Aortic Balloon Pump
Published on: February 5, 2021
22.1K
Aprendizaje automático para predecir el uso preoperatorio de la bomba de globo intra-aórtica en pacientes sometidos a
Qian Zhang1, Peng Zheng1, Yang Pan1,2
1Department of Cardiology, The First Affiliated Hospital with Nanjing Medical University, 300 Guangzhou Road, Nanjing, Jiangsu, 210029, China.
Journal of cardiothoracic surgery
|August 28, 2025
Resumen
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.
