Comparación y validación de múltiples algoritmos de aprendizaje automático para predecir la infección por MDRO en...

Área de la Ciencia:

• La informática médica es la informática médica.
• Aprendizaje automático en el cuidado de la salud
• Epidemiología de las enfermedades infecciosas Epidemiología de las enfermedades infecciosas

Sus antecedentes:

• Las infecciones del torrente sanguíneo relacionadas con el catéter (CRBSI) causadas por organismos multirresistentes (MDRO) conducen a una alta mortalidad y al fracaso del tratamiento.
• El diagnóstico microbiológico tardío de MDRO-CRBSI a menudo resulta en el uso de antibióticos de amplio espectro, empeorando la resistencia a los antimicrobianos.
• Existe una necesidad crítica de predicción temprana de riesgos para guiar la terapia antimicrobiana dirigida.

Objetivo del estudio:

• Desarrollar y validar externamente un modelo interpretable de aprendizaje automático (ML) para predecir el riesgo de MDRO-CRBSI.
• Utilizar variables clínicas fácilmente disponibles para una evaluación de riesgos temprana y precisa.
• Para apoyar la terapia antimicrobiana puntual y dirigida y la administración antimicrobiana.

Principales métodos:

• Desarrollo y validación de ocho modelos de ML utilizando datos de la base de datos MIMIC-IV.
• Selección de características utilizando mapas de calor de correlación, VIF y regresión LASSO.
• Evaluación del rendimiento del modelo utilizando AUC, puntuación F1, puntuación Brier, precisión y recuperación, con validación externa en una cohorte multicéntrica.
• Análisis de interpretabilidad del modelo utilizando SHAP.

Principales resultados:

• El modelo XGBoost demostró un rendimiento superior, logrando un AUC de 0.877 en la cohorte de desarrollo y 0.851 en la cohorte de validación externa.
• Los predictores clave identificados incluyen el ancho de distribución de los glóbulos rojos (RDW), la proteína C reactiva (CRP), el recuento de plaquetas, el pH, la duración de la estancia hospitalaria y la clase de antibióticos.
• El modelo identificó con éxito el 15,1% de los pacientes con MDR-CRBSI en la cohorte de desarrollo.

Conclusiones:

• El modelo XGBoost desarrollado proporciona una herramienta robusta e interpretable para la identificación temprana de pacientes con alto riesgo de MDR-CRBSI.
• Esta capacidad predictiva permite una intervención clínica oportuna y una terapia antimicrobiana precisa.
• El modelo apoya los esfuerzos de administración de antimicrobianos y puede potencialmente mejorar los resultados de los pacientes en la lucha contra la resistencia a los antimicrobianos.