Una aplicación impulsada por aprendizaje automático para predecir la necesidad de soporte respiratorio postoperatorio...

Área de la Ciencia:

• Cirugía de trasplante
• Informática médica
• Neumología

Sus antecedentes:

• El soporte respiratorio postoperatorio es un desafío importante después del trasplante de hígado (LT).
• El desarrollo de herramientas predictivas para las necesidades de soporte respiratorio en receptores de LT es crucial para optimizar la atención.
• Los sistemas de puntuación existentes pueden no capturar completamente la complejidad de la predicción de complicaciones respiratorias.

Objetivo del estudio:

• Desarrollar y validar una herramienta predictiva basada en aprendizaje automático (ML) para el requerimiento de soporte respiratorio postoperatorio en receptores de trasplante de hígado.
• Comparar el rendimiento del modelo de ML con los sistemas de puntuación convencionales como MELD y APACHE II.
• Mejorar la toma de decisiones clínicas y potencialmente mejorar los resultados de los pacientes en LT.

Principales métodos:

• Análisis retrospectivo de 1121 receptores de trasplante de hígado de enero de 2018 a octubre de 2023.
• Selección de variables mediante análisis univariado, RFE, Chi-cuadrado y análisis de correlación.
• Desarrollo y optimización de nueve modelos de ML, con Random Forest (RF) seleccionado en función de AUC, precisión, sensibilidad, especificidad y F1-score; análisis SHAP para la interpretabilidad.

Principales resultados:

• El modelo RF final logró un AUC de 0.790 en el conjunto de prueba y 0.713 en la cohorte de validación.
• El modelo de ML superó significativamente las puntuaciones MELD y APACHE II en la predicción de las necesidades de soporte respiratorio.
• El análisis SHAP reveló relaciones complejas y dependientes del contexto entre los predictores y los resultados respiratorios.

Conclusiones:

• Se desarrolló un modelo predictivo robusto basado en ML para el soporte respiratorio postoperatorio en receptores de LT utilizando datos clínicos a gran escala.
• El modelo demuestra potencial para una toma de decisiones clínicas eficaz y la mejora de los resultados de los pacientes.
• Se recomienda la validación multicéntrica para confirmar la generalización de la herramienta predictiva.