Un enfoque de aprendizaje automático interpretable para evaluar el riesgo de mortalidad a los 30 días en pacientes...

Área de la Ciencia:

• * Investigación de los resultados sanitarios
• * Informática médica
• * Modelado predictivo

Sus antecedentes:

• * Los modelos de aprendizaje automático (ML) se utilizan cada vez más en la investigación en salud, pero a menudo carecen de interpretabilidad (llamados "cajas negras").
• * El desarrollo de modelos de aprendizaje automático interpretables es crucial para comprender los resultados de salud y mejorar la atención al paciente.

Objetivo del estudio:

• * Desarrollar e interpretar un modelo de aprendizaje automático para predecir el riesgo de mortalidad a los 30 días en pacientes con bacteriemia de inicio en la comunidad.
• * Identificar los predictores clave y sus interacciones que influyen en la mortalidad en pacientes con bacteriemia.

Principales métodos:

• * Estudio de cohorte retrospectivo de 715 pacientes con bacteriemia.
• * Aplicación de métodos agnóstico-modelo para la explicación visual de las relaciones predictor-mortalidad.
• * Evaluación del rendimiento utilizando AUC, gráficos de calibración (puntuación de Brier), precisión, recuerdo, precisión y puntuación F1.

Principales resultados:

• * Los diez principales factores predictivos de mortalidad a los 30 días incluyeron el puntaje de bacteremia de Pitt, el shock séptico, el índice de comorbilidad de Charlson, la duración de la estancia en la UCI, la edad y el recuento específico de células sanguíneas (neutrófilos, linfocitos) y los niveles de glucosa / hemoglobina.
• * El shock séptico, el índice de comorbilidad de Charlson y la puntuación de bacteremia de Pitt demostraron las interacciones más fuertes con otros predictores.

Conclusiones:

• * El aprendizaje automático identificó factores de riesgo significativos para la mortalidad a los 30 días en la bacteremia, como el puntaje de bacteremia de Pitt, el shock séptico, la edad, la neumonía y las comorbilidades.
• * Estos factores muestran efectos sinérgicos, destacando las interacciones complejas que influyen en la mortalidad de los pacientes.