Aprendizaje automático multitarea para el apoyo a la decisión de transfusión en hemorragias gastrointestinales...

Área de la Ciencia:

• Medicina de emergencia
• Ciencia de los datos clínicos
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La hemorragia gastrointestinal superior aguda (AUGIB) presenta un desafío clínico significativo que requiere un manejo oportuno y preciso de la transfusión.
• Los sistemas de puntuación existentes para las decisiones de transfusión en AUGIB a menudo carecen de precisión, lo que lleva a una atención subóptima del paciente.
• El aprendizaje multitarea (MTL) ofrece un enfoque prometedor para abordar simultáneamente múltiples tareas de predicción relacionadas en entornos clínicos.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo de aprendizaje multitarea (MTL) para predecir la necesidad de transfusión de sangre en pacientes con AUGIB.
• Estimar el tipo y el volumen adecuados de productos sanguíneos necesarios para la transfusión en AUGIB.
• Mejorar la toma de decisiones clínicas y apoyar las estrategias de transfusión de precisión en la atención de emergencia.

Principales métodos:

• Recopilación retrospectiva de datos clínicos de 1256 pacientes con AUGIB de emergencia, con validación externa en 209 pacientes.
• Implementación de un modelo MTL que integre el sobremonstraje y la corrección de la distribución por desequilibrio de datos.
• Utilizó un conjunto de votación suave (CatBoost, XGBoost) para la clasificación y un regresivo apilado (Random Forest, XGBoost) para la regresión, optimizado con una función de pérdida dinámica.

Principales resultados:

• El modelo MTL logró un AUC de 0,965 para la predicción de transfusiones, una mejora del 20,5% con respecto a la puntuación de Glasgow-Blatchford (GBS).
• El regresor apilado de dos etapas redujo significativamente los errores de predicción para el tipo y el volumen de transfusión en comparación con otros modelos de aprendizaje automático.
• La validación externa demostró un rendimiento de generalización favorable con un AUC de 0,860.

Conclusiones:

• El modelo MTL desarrollado es robusto, interpretable y superior a los métodos existentes para la toma de decisiones de transfusión en AUGIB.
• La optimización conjunta de las tareas de clasificación y regresión a través de la selección jerárquica de características y la asignación dinámica de pérdidas permite la transfusión de precisión.
• El modelo muestra un potencial significativo para una aplicación generalizada en entornos de emergencia y cuidados intensivos.