Desarrollo y validación de un modelo de aprendizaje automático interpretable para predecir el deterioro cognitivo en...

Área de la Ciencia:

• Informática Médica; Modelos de Predicción Clínica; Neurociencia

Sus antecedentes:

• Los sobrevivientes de sepsis experimentan frecuentemente un deterioro cognitivo debilitante.; La identificación temprana de personas en riesgo es crucial para una intervención oportuna.; Los modelos predictivos pueden ayudar en el manejo de la disfunción cognitiva pos sepsis.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático interpretable para predecir el deterioro cognitivo pos sepsis.; Identificar los factores de riesgo clínicos clave asociados con el deterioro cognitivo después de la sepsis.; Mejorar la toma de decisiones clínicas para los sobrevivientes de sepsis.

Principales métodos:

• Análisis retrospectivo de 866 pacientes adultos con sepsis.; Se evaluó la función cognitiva utilizando la Montreal Cognitive Assessment (MoCA).; Se desarrolló y validó un modelo Random Forest (RF); se utilizaron SHapley Additive exPlanations (SHAP) para la interpretabilidad.

Principales resultados:

• El 22,5% de los pacientes desarrollaron deterioro cognitivo.; Se identificaron predictores clave: edad, educación, shock séptico, uso de benzodiazepinas, APACHE II, SOFA e IL-10.; El modelo RF logró un AUC de 0,947 (entrenamiento) y 0,895 (validación); la puntuación SOFA fue el predictor más fuerte.

Conclusiones:

• Un modelo RF interpretable predice con precisión el deterioro cognitivo pos sepsis.; El análisis SHAP revela factores predictivos clave, ofreciendo información clínica.; El modelo sirve como una herramienta transparente para identificar pacientes de alto riesgo y guiar el manejo.