Predicción de hipoxemia en pacientes pediátricos bajo anestesia general utilizando aprendizaje automático: un estudio...

Sus antecedentes:

• Los pacientes pediátricos bajo anestesia general enfrentan altos riesgos de hipoxemia y desaturación de oxígeno.
• Los anestesiólogos requieren mayor vigilancia debido a los desafíos en el manejo de la anestesia pediátrica.
• La monitorización continua de la oxigenación intraoperatoria es crucial, pero los métodos tradicionales de SpO2 tienen limitaciones.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para predecir la hipoxemia en pacientes pediátricos sometidos a anestesia general.
• Evaluar el rendimiento de los modelos XGBoost, LSTM, InceptionTime y Transformer.
• Evaluar el impacto del tamaño de la ventana de observación en la precisión del modelo.

Principales métodos:

• Estudio observacional retrospectivo que involucró 934 casos pediátricos de dos hospitales universitarios.
• Análisis de signos vitales y parámetros del ventilador muestreados cada 2 segundos.
• Evaluación de cuatro modelos de aprendizaje automático utilizando AUROC, AUPRC y F1-score.

Principales resultados:

• XGBoost logró el mayor rendimiento de validación interna (AUROC, 0.85).
• El modelo Transformer demostró un rendimiento superior en la validación externa (AUROC, 0.83).
• La reducción de la ventana de observación disminuyó AUPRC pero mantuvo un AUROC alto.

Conclusiones:

• Los modelos XGBoost y Transformer muestran potencial para predecir la hipoxemia intraoperatoria en pacientes pediátricos.
• Los ajustes relacionados con la edad no mejoraron el rendimiento del modelo.
• La investigación futura debe refinar los modelos para distinguir la hipoxemia real y mejorar los resultados clínicos.