Comparación de algoritmos de aprendizaje supervisado en la predicción del estado de alta de los pacientes con trauma:...

Área de la Ciencia:

• La informática médica es la informática médica.
• Ciencia de datos en el cuidado de la salud.
• Investigación en el cuidado del trauma.

Sus antecedentes:

• El análisis de datos de los centros de trauma identifica indicadores clave de rendimiento que afectan a los presupuestos de los hospitales.
• La mejora de los indicadores de rendimiento puede conducir a una reducción de las tasas de mortalidad y mejorar los resultados de salud de los pacientes.
• La identificación de oportunidades de crecimiento dentro de la atención de trauma es crucial para la salud financiera del hospital.

Objetivo del estudio:

• Identificar el algoritmo óptimo de aprendizaje automático supervisado para predecir el estado de alta del paciente con trauma.
• Para evaluar la eficacia de varios algoritmos en un entorno clínico.

Principales métodos:

• Estudio retrospectivo utilizando datos del Registro de Trauma de Kashan (marzo de 2018 - febrero de 2019).
• Evaluación de algoritmos supervisados: Bayes ingenuo, regresión logística, máquina vectorial de soporte, bosque aleatorio y vecinos K-más cercanos.
• Evaluación del rendimiento utilizando métricas de exactitud, precisión, recuerdo y F-medida con una técnica de validación de retención.

Principales resultados:

• El algoritmo Random Forest demostró un rendimiento superior en comparación con otros algoritmos evaluados.
• Random Forest logró la mayor precisión (84,6%), precisión (79,6%), recuerdo (76,8%) y F-medida (76,20%) utilizando ganancia de información.
• Las métricas específicas de rendimiento variaron ligeramente en función de la métrica elegida (índice Gini frente a la ganancia de información).

Conclusiones:

• Los algoritmos supervisados, cuando se configuran adecuadamente, pueden ayudar efectivamente en el diagnóstico del estado de alta del paciente con trauma.
• Las técnicas de balanceo de datos muestran potencial para mejorar el rendimiento del algoritmo en este contexto.
• La generalización de los hallazgos es limitada y depende de la elección del algoritmo y el ajuste de parámetros.