Modelo de predicción de hipoxemia basado en XGBoost durante la sedación para endoscopia gastrointestinal

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en Medicina
• Modelado de Predicción Clínica

Sus antecedentes:

• La hipoxemia es una complicación frecuente de la endoscopia gastrointestinal sedada, que presenta riesgos significativos.
• La predicción y prevención de la hipoxemia sigue siendo un desafío clínico.
• La inteligencia artificial (IA) ofrece potencial para la predicción precisa de la hipoxemia utilizando datos clínicos integrados.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático (ML) robusto, interpretable y generalizable para predecir la hipoxemia durante la endoscopia gastrointestinal sedada.
• Evaluar el rendimiento de la IA en la identificación de pacientes en riesgo de hipoxemia.
• Mejorar la seguridad del paciente durante los procedimientos endoscópicos.

Principales métodos:

• Un estudio prospectivo de 647 pacientes adultos sometidos a endoscopia gastrointestinal sedada.
• Se utilizaron análisis estadísticos y técnicas de ML, incluidas SHapley Additive exPlanations (SHAP) y eXtreme Gradient Boosting (XGBoost).
• El rendimiento del modelo se evaluó utilizando Precisión, Recuperación, Puntuación F1 y ROC-AUC; se analizó la importancia de las características.

Principales resultados:

• El modelo XGBoost logró un alto rendimiento con una precisión, recuperación y puntuación F1 de 0.91 y ROC-AUC de 0.74.
• Se identificaron 29 características clave, que incluyen IMC, circunferencia de la cintura, circunferencia del cuello, edad y SpO2 basal, como predictores significativos.
• El rendimiento del modelo mejoró con un conjunto de datos más grande y equilibrado, lo que resalta la importancia del tamaño de la muestra.

Conclusiones:

• Se desarrolló un modelo robusto de predicción de hipoxemia basado en XGBoost para endoscopia gastrointestinal sedada.
• El modelo de IA demuestra potencial para mejorar la seguridad del paciente y la toma de decisiones clínicas.
• La investigación futura debe centrarse en conjuntos de datos más grandes y diversos y métodos avanzados como el análisis del espacio latente para mejorar la precisión y aplicabilidad del modelo.