Optimización de la sedación-analgesia impulsada por aprendizaje automático en pacientes sépticos con ventilación...

Área de la Ciencia:

• Medicina de Cuidados Críticos
• Farmacología
• Ciencia de Datos en Salud

Sus antecedentes:

• Los pacientes sépticos en la UCI a menudo requieren ventilación mecánica.
• Los regímenes óptimos de sedación-analgesia para estos pacientes no están bien definidos.

Objetivo del estudio:

• Evaluar el impacto de diferentes regímenes de sedación-analgesia en los resultados de pacientes sépticos con ventilación mecánica.
• Desarrollar y validar modelos predictivos de mortalidad en la UCI utilizando aprendizaje automático.

Principales métodos:

• Análisis retrospectivo de la base de datos MIMIC-IV.
• Análisis de supervivencia de Kaplan-Meier y modelos de riesgos proporcionales de Cox.
• Regresión LASSO para la selección de factores y algoritmos de aprendizaje automático (LightGBM) para la predicción, interpretados con SHAP.

Principales resultados:

• La combinación de fentanilo y midazolam mostró una menor duración de la estancia en la UCI (HR: 0,66) y mortalidad (OR: 0,62).
• LASSO identificó siete factores pronósticos clave.
• El modelo LightGBM logró una alta precisión predictiva (AUC=0,838).
• Los principales predictores de mortalidad a 28 días fueron APS III, edad e insuficiencia renal aguda.

Conclusiones:

• El fentanilo y el midazolam pueden ofrecer beneficios clínicos para pacientes sépticos ventilados.
• El aprendizaje automático, en particular LightGBM, muestra una gran promesa para predecir la mortalidad en la UCI y apoyar las decisiones clínicas.