RAMA: implementación de aprendizaje automático para desarrollar modelos de predicción de riesgo de mortalidad en...

Área de la Ciencia:

• Medicina neonatal
• Aprendizaje automático en la atención médica
• Nefrología pediátrica

Sus antecedentes:

• La lesión renal aguda (LRA) es prevalente en las unidades de cuidados intensivos neonatales (UCIN).
• La LRA neonatal está relacionada con comorborbilidades graves y un mayor riesgo de mortalidad.
• La predicción del riesgo de mortalidad junto con la gravedad de la LRA puede informar las estrategias de tratamiento.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático para predecir el riesgo de mortalidad en neonatos con LRA.
• Identificar el modelo más preciso e interpretable para esta tarea de predicción.
• Crear una herramienta que ayude a los médicos a manejar casos de LRA neonatal.

Principales métodos:

• Se combinaron y preprocesaron dos conjuntos de datos independientes de pacientes neonatales.
• Se entrenaron y probaron siete algoritmos de aprendizaje automático, aplicando selección de características.
• Los modelos se ajustaron utilizando la búsqueda bayesiana para optimizar el rendimiento y la interpretabilidad.

Principales resultados:

• Los modelos basados en árboles, incluidos Random Forest, XGBoost y LightGBM, demostraron alta precisión e interpretabilidad.
• El modelo RAMA, basado en XGBoost, logró un AUC-ROC de 0.882 ± 0.132.
• RAMA mostró un fuerte rendimiento predictivo con una precisión de 0.878 ± 0.052 y una puntuación F1 de 0.923 ± 0.029.

Conclusiones:

• El modelo RAMA, que utiliza un algoritmo basado en árboles, predice eficazmente el riesgo de mortalidad en neonatos con LRA.
• Esta herramienta puede ayudar a los médicos a identificar neonatos de alto riesgo para intervenciones específicas.
• La evaluación precisa del riesgo de mortalidad es crucial para optimizar la atención en pacientes con LRA neonatal.