Modelos de aprendizaje automático para predecir la necesidad de una transfusión temprana de glóbulos rojos en...

Área de la Ciencia:

• La informática médica es la informática médica.
• Trauma Cirugía cirugía cirugía.
• Medicina de emergencia Medicina de emergencia.

Sus antecedentes:

• El shock hemorrágico es una de las principales causas de mortalidad prevenible por trauma.
• El reconocimiento y la intervención temprana son críticos para el manejo del shock hemorrágico.
• Las herramientas predictivas pueden ayudar en las decisiones oportunas de transfusión para pacientes con trauma.

Objetivo del estudio:

• Desarrollar y optimizar algoritmos de aprendizaje automático (ML) para predecir la necesidad de transfusión de glóbulos rojos empaquetados (PRBC) dentro de las 24 horas de la lesión en pacientes con trauma múltiple.
• Identificar los predictores clínicos clave que influyen en los requisitos de transfusión temprana de PRBC.

Principales métodos:

• Análisis retrospectivo de 908 pacientes con trauma múltiple.
• Utilizó el análisis SHAP para la selección de características, identificando la Escala de Coma de Glasgow (GCS), la hemoglobina (Hb), la frecuencia del pulso (PR), la presión arterial sistólica (SBP) y la presión del pulso como predictores clave.
• Evaluó múltiples algoritmos de ML (bosque aleatorio, vecinos K-más cercanos, regresión logística) utilizando AUC, puntuación F1, sensibilidad y especificidad.

Principales resultados:

• El modelo de Bosque Aleatorio demostró un rendimiento superior con un AUC de 0,997, sensibilidad de 0,938 y especificidad de 0,994.
• Las transfusiones de PRBC se asociaron con una GCS más baja, una PR más alta, una SBP más baja, una presión arterial más baja y niveles más bajos de Hb.
• K-Nearest Neighbors y Regresión Logística también mostraron alta especificidad pero menor sensibilidad.

Conclusiones:

• El aprendizaje automático, particularmente el algoritmo Random Forest, predice efectivamente la necesidad de una transfusión temprana de PRBC en pacientes con trauma.
• GCS, Hb, PR, SBP y la presión del pulso son predictores significativos para la transfusión temprana.
• Se recomienda una validación multicéntrica adicional para confirmar la aplicabilidad clínica de estos modelos predictivos.