Modelo predictivo impulsado por aprendizaje automático para el destete exitoso de pacientes de ventilación mecánica...

Área de la Ciencia:

• Medicina de Cuidados Críticos
• Ingeniería Biomédica
• Ciencia de Datos en Salud

Sus antecedentes:

• La ventilación mecánica es vital en las UCI, pero el destete es complejo y presenta desafíos clínicos.
• Las herramientas actuales carecen de la integración de factores multidimensionales para tomar decisiones precisas sobre el destete.
• Es necesario desarrollar un soporte de decisión avanzado para la liberación óptima de la ventilación.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático interpretable para predecir los resultados de la extubación.
• Proporcionar apoyo a la toma de decisiones clínicas para optimizar el proceso de destete de la ventilación mecánica.
• Evaluar de manera integral los factores que influyen en el destete exitoso.

Principales métodos:

• Se recopilaron datos de UCI del Hospital Tenth People de Shanghai y hospitales afiliados.
• Se desarrollaron y validaron internamente diez algoritmos de aprendizaje automático para la predicción de la extubación.
• Se utilizaron AUC, precisión, sensibilidad, especificidad, puntuación F1, NRI, IDI, DCA y análisis SHAP para la evaluación del modelo y la importancia de las características.

Principales resultados:

• Se identificaron 24 variables predictivas mediante análisis univariante y LASSO.
• El modelo LGB (Light Gradient Boosting Machine) mostró el mayor rendimiento general.
• Los predictores clave para el destete exitoso incluyeron creatinina, lactato, nivel de conciencia, SpO2, presión arterial sistólica, reflejo de tos, enfermedad respiratoria crónica, presión arterial diastólica y edad.

Conclusiones:

• Un modelo predictivo optimizado que integra factores multidimensionales y algoritmos de aprendizaje automático demuestra una precisión superior.
• El modelo muestra un potencial clínico significativo para determinar el momento óptimo del destete en pacientes con ventilación mecánica invasiva.
• Ensayo registrado bajo ChiCTR2400093658.