Desarrollo y validación de modelos predictivos interpretables basados en la web para la sepsis y la mortalidad en...

Área de la Ciencia:

• Investigaciones médicas
• Biología computacional
• Cirugía de traumas

Sus antecedentes:

• Las quemaduras extensas (≥ 50% de la superficie corporal total) están relacionadas con altas tasas de sepsis y mortalidad.
• La identificación de los factores de riesgo y el desarrollo de modelos predictivos son cruciales para la gestión de estos casos graves.

Objetivo del estudio:

• Para identificar los factores de riesgo de sepsis y mortalidad en pacientes con quemaduras extensas.
• Desarrollar modelos de aprendizaje automático precisos e interpretables para predecir la sepsis y la mortalidad.

Principales métodos:

• Estudio de cohorte retrospectivo de 237 pacientes con quemaduras extensas (2012-2023).
• Aplicó diez algoritmos de aprendizaje automático (por ejemplo, Bosque aleatorio, Árbol de aumento gradiente) para predecir la sepsis y la mortalidad.
• Modelos evaluados utilizando el AUC, la precisión, el recuerdo, la precisión, la puntuación F1; comparado con la puntuación SOFA; SHAP utilizado para la interpretabilidad.

Principales resultados:

• Los principales predictores de la sepsis: puntaje SOFA, nuevo shock, albúmina, BUN, área de quemadura de tercer grado, TBSA quemado, recuento de glóbulos blancos, lesión por inhalación.
• Predictores clave de mortalidad: ALT, puntaje SOFA, tipo de quemadura, nuevo shock, área de quemadura de tercer grado, quemaduras por tuberculosis, sepsis.
• El modelo de Bosque Aleatorio logró una alta predicción de sepsis (AUC = 0,977); El modelo de Árbol de Aumento Gradiente sobresalió en la predicción de mortalidad (AUC = 0,981).

Conclusiones:

• Los modelos de aprendizaje automático (RF, GBT) predicen efectivamente la sepsis y la mortalidad en pacientes con quemaduras extensas.
• El análisis SHAP mejora la transparencia del modelo para la interpretación clínica y la intervención temprana.
• Desarrolló calculadoras basadas en la web para ayudar a la toma de decisiones clínicas y mejorar los resultados de los pacientes.