Video Experimental Relacionado
Updated: Sep 9, 2025
14:08
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
Published on: April 13, 2013
42.8K
Desarrollo y validación de un modelo de aprendizaje automático interpretable para predecir el tromboembolismo venoso
Hao Qi1, Lingli Li2, Juan Fang3
1Department of Neurosurgery, the 904th hospital of PLA, Wuxi School of Medicine, Jiangnan University, Wuxi, Jiangsu Province, 214122, China.
World neurosurgery
|August 30, 2025
Resumen
Un nuevo modelo de regresión logística predice con precisión el riesgo de tromboembolismo venoso (TEV) en pacientes de la unidad de cuidados intensivos (UCI) con lesión cerebral traumática (TBI). Esta herramienta puede ayudar a reducir las complicaciones de TEV y mejorar los resultados de los pacientes después de la LCT.
Área de la Ciencia:
- Medicina de cuidados intensivos
- Neurología
- Ciencia de los datos
Sus antecedentes:
- Los pacientes con lesiones cerebrales traumáticas en unidades de cuidados intensivos (UCI) se enfrentan a un riesgo significativo de tromboembolismo venoso (TEV).
- La predicción temprana y precisa de la TEV es crucial para la intervención oportuna y la mejora de los resultados de los pacientes.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir el riesgo de TEV en pacientes de UCI con TBI.
- Identificar las variables clínicas clave asociadas con el desarrollo de TEV en esta población de pacientes.
Principales métodos:
- Los datos de 1.564 pacientes con TBI en MIMIC-IV y 304 pacientes con TBI de una UCI china se utilizaron para la capacitación y la validación externa.
- La selección de características utilizó la regresión Boruta y LASSO, con cuatro algoritmos ML, incluida la Regresión Logística (LR) y la Máquina de Vectores de Soporte (SVM).
- El rendimiento del modelo se evaluó utilizando el AUC, las curvas de calibración y las curvas de decisión clínica, con análisis SHAP para determinar la importancia de las características.
Principales resultados:
- Los factores de riesgo independientes para la TEV incluyeron la duración de la hospitalización, la presión arterial sistólica, la fractura de las extremidades inferiores y la infección pulmonar.
- El modelo LR logró un AUC de 0,723 en el conjunto de ensayos y de 0,759 en el conjunto de validación externa.
- El análisis SHAP identificó la duración de la estancia en la UCI y la infección pulmonar como determinantes predictivos primarios.
Conclusiones:
- El modelo LR desarrollado muestra una fuerte capacidad predictiva de TEV precoz en pacientes con TCE.
- Este modelo tiene el potencial de ayudar a reducir las complicaciones relacionadas con la TEV y mejorar los resultados de los pacientes.
