Aprendizaje automático explicable basado en un modelo de predicción de mortalidad a 28 días para pacientes de edad...

Área de la Ciencia:

• Informática Médica
• Geriatría
• Nefrología

Sus antecedentes:

• Los pacientes de edad avanzada con lesión renal aguda (LRA) tienen un alto riesgo de mortalidad.
• La predicción temprana de la mortalidad es crucial para la intervención oportuna y la asignación de recursos.
• El aprendizaje automático (ML) ofrece potencial para desarrollar modelos predictivos precisos.

Objetivo del estudio:

• Desarrollar y validar modelos de ML para predecir la mortalidad a 28 días en pacientes de edad avanzada con LRA.
• Identificar predictores clave de mortalidad en esta población.
• Mejorar la toma de decisiones clínicas a través de análisis predictivos de atención médica.

Principales métodos:

• Análisis retrospectivo de 1290 pacientes de edad avanzada con LRA de PLAGH (2008-2018).
• Comparación de cinco algoritmos de ML (L2-logistic, LASSO, XGBoost, RF, MLP) con técnicas de sobremuestreo.
• Evaluación del rendimiento utilizando el Área Bajo la Curva Característica de Operación del Receptor (AUC); interpretabilidad a través de explicaciones aditivas de Shapley (SHAP).

Principales resultados:

• El modelo XGBoost con sobremuestreo aleatorio logró un AUC de 0.8659 en la cohorte de validación.
• La validación externa en el conjunto de datos eICU-CRD arrojó un AUC de 0.6317.
• Los principales predictores de mortalidad a 28 días incluyeron Ventilación Mecánica, Pico de creatinina sérica, Etapa de LRA, proteína en orina y albúmina sérica.

Conclusiones:

• Los modelos de ML, en particular XGBoost, pueden predecir eficazmente la mortalidad en pacientes de edad avanzada con LRA.
• Los modelos predictivos mejoran la toma de decisiones clínicas y pueden mejorar los resultados de los pacientes.
• Los factores clave identificados por el análisis SHAP brindan información para intervenciones específicas.