Desvelando las Brechas: Modelos de Aprendizaje Automático para Iones No Medidos

Área de la Ciencia:

• Medicina de Cuidados Críticos
• Fisiología
• Bioquímica

Sus antecedentes:

• Los iones no medidos (UI) impactan significativamente el equilibrio ácido-base en pacientes críticos.
• Los métodos de estimación actuales (AGc, SIG, BEGap) tienen una utilidad óptima incierta.
• La evaluación precisa de los UI es crucial para el manejo de las alteraciones del equilibrio ácido-base.

Objetivo del estudio:

• Comparar el rendimiento explicativo de los enfoques tradicionales, de Stewart y de exceso de base (BE) particionado para la estimación de UI.
• Evaluar la utilidad de BEGap, SIG y AGc como determinantes del pH arterial.
• Evaluar la generalizabilidad de los modelos analíticos utilizando aprendizaje automático.

Principales métodos:

• Estudio de cohorte retrospectivo con cohortes de desarrollo (2274 pacientes) y validación (1202 pacientes).
• Evaluación de los enfoques tradicionales, de Stewart y de BE particionado utilizando regresión lineal multivariable y aprendizaje automático (RF, XGBoost, SVR).
• Evaluación del rendimiento del modelo mediante R² ajustado, RMSE, MAE y métricas de importancia de variables (SHAP, permutación).

Principales resultados:

• El enfoque de BE particionado demostró el mayor rendimiento explicativo en MLR (R² ajustado = 0.949) y análisis ML (R² hasta 0.989).
• BEGap emergió consistentemente como un determinante fuerte e independiente del pH arterial, superando a SIG y AGc en todos los modelos.
• XGBoost exhibió el rendimiento más estable y preciso entre los modelos de aprendizaje automático.

Conclusiones:

• BEGap es un parámetro práctico, fisiológicamente informativo y aplicable en la cabecera del paciente para la evaluación de UI.
• BEGap supera tanto a AGc como a SIG en modelos analíticos lineales y no lineales para pacientes críticos.
• El enfoque de BE particionado, particularmente BEGap, ofrece información superior sobre las alteraciones del equilibrio ácido-base impulsadas por UI.