Aprendizaje automático explicable para predecir la estancia hospitalaria posoperatoria después de gastrectomía: un...

Área de la Ciencia:

• Oncología Quirúrgica
• Informática de la Salud
• Aprendizaje Automático en Salud

Sus antecedentes:

• La cirugía de cáncer gástrico (gastrectomía) provoca estancias hospitalarias prolongadas, lo que agota los recursos sanitarios.
• La predicción de la estancia hospitalaria posoperatoria (LOS) es crucial para la atención personalizada y la gestión de recursos.
• La base de datos de Combinación de Procedimientos de Diagnóstico (DPC) de Japón ofrece datos del mundo real para el análisis a gran escala de los resultados de la gastrectomía.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir la estancia hospitalaria posoperatoria (LOS) después de gastrectomía.
• Identificar los predictores clave de la LOS utilizando variables de admisión de la base de datos DPC.
• Explorar la utilidad de la IA explicable (XAI) para comprender los determinantes de la LOS en oncología quirúrgica.

Principales métodos:

• Estudio retrospectivo de 26.097 pacientes sometidos a gastrectomía (2017-2022) utilizando la base de datos DPC de Japón.
• Desarrollo del modelo XGBoost con 1.433 variables de admisión; rendimiento evaluado por RMSE y MAE.
• Valores SHAP utilizados para la importancia de las características y la interpretabilidad del modelo.

Principales resultados:

• El modelo XGBoost logró un Error Cuadrático Medio (RMSE) de 3,74 días y un Error Absoluto Medio (MAE) de 2,82 días.
• Los predictores significativos de la estancia hospitalaria incluyeron el abordaje quirúrgico (laparoscópico vs. abierto), el tipo de hospital, el volumen hospitalario y la puntuación ADL de admisión del paciente.
• La gastrectomía distal laparoscópica y un mayor volumen hospitalario se correlacionaron con una estancia hospitalaria más corta; la gastrectomía total abierta con una estancia hospitalaria más larga.

Conclusiones:

• Un modelo de aprendizaje automático puede predecir la estancia hospitalaria posoperatoria después de gastrectomía con un error de 2 a 4 días utilizando datos de admisión.
• Este estudio demuestra la viabilidad de utilizar IA explicable para la optimización del flujo de trabajo perioperatorio en oncología quirúrgica.
• Los hallazgos resaltan el potencial de la IA para descubrir información tanto esperada como novedosa a partir de datos administrativos de atención médica.