Predicción de la Reintubación en Cirugía Cardíaca Pediátrica Postoperatoria: Un Enfoque de Aprendizaje Automático

Área de la Ciencia:

• Cirugía Cardíaca Pediátrica
• Inteligencia Artificial en Medicina
• Medicina de Cuidados Críticos

Sus antecedentes:

• La predicción precisa de la reintubación es vital para los pacientes pediátricos de cirugía cardíaca.
• Este estudio identifica los predictores clave y desarrolla un modelo predictivo.

Objetivo del estudio:

• Identificar los predictores significativos de la reintubación en pacientes pediátricos después de cirugía cardíaca.
• Entrenar una red neuronal de perceptrón multicapa (MLP) para la predicción de la reintubación.

Principales métodos:

• Análisis retrospectivo de 294 pacientes pediátricos (1-24 meses) sometidos a cirugía cardíaca y ventilación mecánica.
• Prueba de Chi-cuadrado de Pearson (PC²) y análisis de regresión logística binomial (BLRA) para la identificación de predictores.
• Red neuronal MLP entrenada con covariables clínicas para la predicción.

Principales resultados:

• Predictores clave identificados: bajo índice de masa corporal, cirugía de emergencia, infección previa, niveles de gases en sangre arterial (GSA) pre-reintubación y tipo de procedimiento (aortoplastia).
• La duración de la ventilación y la puntuación RACHS2 también fueron predictores significativos.
• El modelo MLP logró una alta precisión: 93,7 % de sensibilidad, 90,5 % de especificidad, 0,94 de puntuación F1 y 0,94 de AUC.

Conclusiones:

• La red neuronal MLP demuestra una excelente precisión predictiva para los factores de riesgo de reintubación.
• Este modelo puede mejorar la atención postoperatoria para pacientes pediátricos de cirugía cardíaca.