Modelo predictivo de aprendizaje automático en pacientes de UCI con insuficiencia hepática aguda y crónica y con dos...

Área de la Ciencia:

• Medicina de cuidados intensivos
• El aprendizaje automático en el cuidado de la salud
• Investigación de la insuficiencia hepática

Sus antecedentes:

• La insuficiencia hepática aguda a crónica (ACLF) es una condición crítica con una alta mortalidad a corto plazo.
• El manejo efectivo de pacientes con LCA en la unidad de cuidados intensivos (UCI) requiere herramientas de pronóstico precisas.
• La predicción de la mortalidad en pacientes con FLAC con dos o más fallas de órganos es crucial para una intervención oportuna.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático (ML) para predecir la mortalidad a los 30 días en pacientes con LCA con dos o más OF.
• Explicar los modelos ML desarrollados utilizando valores de Shapley para una mayor interpretabilidad.
• Comparar el rendimiento de los modelos ML con los sistemas de puntuación establecidos.

Principales métodos:

• Se utilizó una gran cohorte de UCI con datos clínicos detallados para identificar pacientes con LCA que cumplían con los criterios de NACSELD y EASL-CLIF.
• Desarrolló y entrenó modelos CatBoost y Random Forest ML para predecir la mortalidad a los 30 días.
• Se utilizó el análisis SHAP para la explicación del modelo y se identificaron los principales factores predictivos. Los modelos fueron validados internamente y externamente.

Principales resultados:

• El modelo CatBoost ACLF (CBA) logró un AUC de 0,87 en la cohorte NACSELD, y el modelo Random Forest ACLF (RFA) logró un AUC de 0,83 en la cohorte EASL-CLIF.
• Los modelos simplificados demostraron un alto rendimiento (CBA: AUC 0.89, RFA: AUC 0.81) y una precisión superior en comparación con el CLIF-C ACLF y el MELD 3.0.
• Los modelos fueron bien calibrados, validados en cohortes externas y se desarrolló una herramienta de predicción en línea.

Conclusiones:

• Se desarrollaron modelos de ML explicables, validados y calibrados para predecir la mortalidad en pacientes con LCA con múltiples OF.
• Estos nuevos modelos de ML superan significativamente los sistemas de puntuación existentes.
• Los modelos y la herramienta en línea asociada pueden ayudar a los médicos a administrar a los pacientes con LCA de alto riesgo.