Modelo práctico de aprendizaje automático para la predicción temprana y precisa de la coagulación intravascular...

Área de la Ciencia:

• La informática médica es la informática médica.
• La medicina clínica es la medicina clínica.
• Aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• El manejo de la sepsis requiere una intervención temprana para prevenir complicaciones como la coagulación intravascular diseminada abierta (DIC).
• La terapia anticoagulante es más efectiva cuando se inicia antes de la aparición de una DIC manifiesta.
• La predicción precisa de la DIC manifiesta inducida por sepsis es crucial para el tratamiento oportuno.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático para la predicción temprana de DIC abierta inducida por sepsis.
• Identificar las características predictivas clave de los registros médicos electrónicos para el desarrollo abierto de DIC.

Principales métodos:

• Un estudio observacional retrospectivo multicéntrico de pacientes adultos con sepsis sin DIC manifiesto en el día 1.
• Desarrollo de tres modelos de aprendizaje automático (mínimo, compacto, completo) utilizando los algoritmos XGBoost y GBM.
• Evaluación de modelos en un conjunto de pruebas del 20%, evaluando la precisión de la predicción utilizando AUC-ROC y AUC-PR.

Principales resultados:

• De los 7.532 pacientes con sepsis, 766 desarrollaron una DIC manifiesta dentro de los 7 días.
• Los modelos XGBoost y GBM demostraron una alta precisión de predicción, con valores AUC-ROC de 0,916 (modelo completo).
• El modelo XGBoost completo logró un 80% de recuperación con una precisión del 14,4%.

Conclusiones:

• Los modelos de aprendizaje automático pueden predecir con precisión la DIC manifiesta en pacientes con sepsis a un nivel clínicamente relevante.
• La predicción temprana permite una intervención oportuna con terapia anticoagulante.
• Estos modelos ofrecen una herramienta prometedora para mejorar el manejo de la sepsis y los resultados de los pacientes.