Predicción de infecciones postoperatorias mediante imputación de datos estratégicos y aprendizaje automático...

Área de la Ciencia:

• La informática médica
• El aprendizaje automático en el cuidado de la salud
• Investigación de resultados quirúrgicos

Sus antecedentes:

• Las infecciones asociadas a la atención sanitaria (IAS) son una de las principales causas de morbilidad y mortalidad de los pacientes.
• La detección temprana de las infecciones postoperatorias es fundamental para un tratamiento eficaz del paciente.
• Los modelos predictivos tradicionales para los resultados quirúrgicos se basan principalmente en datos preoperatorios.

Objetivo del estudio:

• Evaluar la eficacia de la integración de los valores de laboratorio postoperatorios y su cinética para predecir infecciones bacterianas.
• Desarrollar y evaluar modelos de predicción independientes del procedimiento que incorporen datos dinámicos de laboratorio.
• Comparar el rendimiento de los modelos dinámicos con los modelos estáticos o sólo preoperatorios.

Principales métodos:

• Análisis de 91.794 casos quirúrgicos de los registros electrónicos de salud (EHR).
• Desarrollo de modelos de aprendizaje automático utilizando variables preoperatorias, intraoperatorias y postoperatorias.
• Incorporación de las propiedades estáticas y cinéticas de los valores de laboratorio, con imputación estratégica de los datos faltantes.

Principales resultados:

• Los modelos de aprendizaje automático que integran la cinética de valores de laboratorio lograron una recuperación, precisión y ROC AUC de 0,71, 0,69 y 0,83, respectivamente, al día postoperatorio 2.
• La detección de infecciones utilizando modelos dinámicos superó la toma de decisiones basada en el clínico.
• Identificación de nuevas combinaciones predictivas de marcadores de la función hepática, renal y de la médula ósea.

Conclusiones:

• El modelado dinámico de los valores de laboratorio postoperatorios mejora la puntualidad y la precisión de la detección de infecciones.
• El aprendizaje automático explicable ayuda a la interpretación clínica y destaca la participación del sistema de múltiples órganos en el riesgo de infección.
• El flujo de trabajo desarrollado es independiente de la cirugía, generalizable y tiene el potencial de optimizar los resultados del paciente y la utilización de los recursos.