Predicción de la prolongación del intervalo QTc en envenenamiento agudo con antipsicóticos atípicos utilizando...

Área de la Ciencia:

• Farmacología
• Toxicología
• Ciencia de los datos

Sus antecedentes:

• El uso atípico de antipsicóticos ha aumentado, lo que lleva a casos de intoxicación más aguda.
• Es crucial predecir los resultados adversos como el intervalo QTc prolongado y la necesidad de ventilación mecánica (VM).

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para predecir el intervalo QTc prolongado y el MV en la intoxicación por antipsicóticos atípicos agudos.
• Evaluar el rendimiento de varios clasificadores de aprendizaje automático, en particular los modelos basados en árboles.

Principales métodos:

• Estudio retrospectivo de 355 pacientes con intoxicación por antipsicóticos atípicos agudos.
• Desarrollo y comparación de ocho clasificadores de aprendizaje automático, incluida la regresión logística, SVM, KNN y modelos basados en árboles (Random Forest, XGBoost, LightGBM, CatBoost, Gradient Boosting).
• Validación del modelo utilizando conjuntos de datos de ensayo externos y validación cruzada interna de cinco veces con optimización de hiperparámetros.

Principales resultados:

• Los modelos basados en árboles lograron el 100% de especificidad, recuerdo, precisión, exactitud y AUC en los datos de entrenamiento para predecir el intervalo QTc prolongado.
• Se observó un alto rendimiento similar para los modelos que predicen la necesidad de MV.
• Tras la validación, los modelos basados en árboles mantuvieron fuertes AUC (0.927- 0.958) y precisión (> 0.901).

Conclusiones:

• El aprendizaje automático, especialmente los modelos basados en árboles, demuestra un alto poder predictivo para los resultados adversos en el envenenamiento atípico agudo por antipsicóticos.
• Los modelos son prometedores para el apoyo a la decisión clínica, pero se necesita una validación adicional con cohortes más grandes para una generalización más amplia.