Uso de modelos de aprendizaje automático para predecir la ventilación mecánica, la ECMO y la mortalidad en COVID-19

Área de la Ciencia:

• Medicina de Cuidados Críticos
• Informática de la Salud
• Aprendizaje Automático en Salud

Sus antecedentes:

• Los pacientes con COVID-19 grave a menudo requieren ventilación mecánica (VM) u oxigenación por membrana extracorpórea (ECMO).
• Predecir la necesidad y la duración de estas intervenciones es un desafío debido a la heterogeneidad y la dinámica de la enfermedad.
• La predicción precisa es crucial para la atención al paciente y la gestión de recursos.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático (ML) para predecir la duración de la VM, el uso de ECMO y la mortalidad en pacientes con COVID-19.
• Mejorar los resultados de los pacientes y ayudar en la asignación de recursos de cuidados intensivos como la VM y la ECMO.
• Aprovechar los datos demográficos y de series temporales para mejorar la precisión predictiva.

Principales métodos:

• Un estudio pronóstico retrospectivo que utiliza modelos de ML jerárquicos.
• Los modelos se entrenaron con un conjunto de datos de 10 378 pacientes con COVID-19 del Emory University Hospital.
• Los datos de entrada incluyeron información demográfica, signos vitales y resultados de laboratorio.

Principales resultados:

• El modelo de ML de mayor rendimiento logró puntuaciones AUROC promedio ponderadas de 0.873 para la duración de la VM, 0.902 para el uso de ECMO y 0.774 para la mortalidad.
• Las puntuaciones AUPRC promedio ponderadas alcanzaron 0.790 para la duración de la VM, 0.999 para el uso de ECMO y 0.893 para la mortalidad.
• El estudio incluyó una cohorte grande con datos detallados sobre la duración de la VM, el uso de ECMO (0.14%) y la mortalidad (10.73%).

Conclusiones:

• Los modelos de ML jerárquicos demuestran un potencial significativo para predecir resultados de cuidados críticos en COVID-19.
• Estos modelos, entrenados con datos clínicos fácilmente disponibles, pueden ayudar a los médicos a controlar la COVID-19 grave.
• Los hallazgos respaldan el uso de ML para optimizar la atención al paciente y la asignación de recursos en enfermedades críticas.