Un método dinámico de advertencia en tiempo real para MODS en pacientes con sepsis traumática basado en un algoritmo...

Área de la Ciencia:

• Medicina de Cuidados Críticos
• Informática Médica
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• El síndrome de disfunción multiorgánica (SDMO) es una complicación significativa en la sepsis traumática con mal pronóstico.
• La evaluación temprana e individualizada del riesgo es crucial para la intervención oportuna en pacientes con sepsis traumática.

Objetivo del estudio:

• Desarrollar un modelo de predicción interpretable y validado multicéntrico para la evaluación temprana del riesgo de MODS en sepsis traumática.
• Permitir la estratificación individualizada del riesgo y guiar la atención clínica oportuna.

Principales métodos:

• Se utilizaron los conjuntos de datos MIMIC-IV y eICU para el desarrollo del modelo.
• Se empleó un modelo de aprendizaje por transferencia preentrenado con una estrategia de procesamiento de separación.
• Se evaluó la interpretabilidad del modelo utilizando SHAP (SHapley Additive exPlanations).

Principales resultados:

• La validación interna (700 pacientes) y la validación externa (110 pacientes) demostraron un rendimiento sólido.
• El mejor modelo preentrenado logró una AUC promedio de 0.906 en las ventanas de predicción de 6, 12 y 24 horas.
• El ajuste fino con datos limitados de sepsis traumática (100 casos) arrojó una AUC de 0.846, superando a los modelos no preentrenados.

Conclusiones:

• El modelo de predicción de MODS preentrenado exhibe una fuerte discriminación, generalización e interpretabilidad.
• La portabilidad del modelo respalda su potencial clínico para la identificación temprana de pacientes con sepsis traumática de alto riesgo.
• El recuento de plaquetas surgió como un predictor clave de MODS en la sepsis traumática.