Identificación no supervisada de subpoblaciones de sepsis en la base de datos eICU: un enfoque de agrupación...

Área de la Ciencia:

• Medicina de Cuidados Críticos
• Ciencia de Datos
• Informática Médica

Sus antecedentes:

• La sepsis es una amenaza importante para la salud mundial con diversas características del paciente que impactan los resultados del tratamiento.
• La identificación de subpoblaciones distintas de pacientes con sepsis es crucial para desarrollar intervenciones específicas.
• Análisis de agrupación previos en la base de datos MIMIC-III mostraron resultados prometedores en la estratificación de pacientes con sepsis.

Objetivo del estudio:

• Extender la identificación de subpoblaciones de sepsis a la base de datos eICU, más grande y multi-hospitalaria.
• Validar hallazgos previos del análisis MIMIC-III en un nuevo conjunto de datos.
• Descubrir subpoblaciones de sepsis novedosas dentro de una cohorte de pacientes más heterogénea.

Principales métodos:

• Se aplicaron técnicas de reducción de dimensionalidad: t-distributed Stochastic Neighbor Embedding (t-SNE), Uniform Manifold Approximation and Projection (UMAP) y Variational Autoencoders (VAE).
• Se utilizó agrupación basada en densidad (DBSCAN) para la identificación de subpoblaciones.
• Se emplearon Self-Organizing Maps (SOM) para la validación topológica.

Principales resultados:

• Se identificaron con éxito subpoblaciones de sepsis reconocibles con características clínicas compartidas.
• Se validaron varios hallazgos del estudio previo MIMIC-III.
• Se descubrieron nuevas subpoblaciones, lo que refleja la mayor heterogeneidad de la base de datos eICU.

Conclusiones:

• Las técnicas avanzadas de análisis de datos pueden estratificar eficazmente a los pacientes con sepsis en subpoblaciones distintas.
• Los hallazgos respaldan el potencial de estrategias de tratamiento personalizadas en la atención de la sepsis.
• El análisis de la base de datos eICU confirma y amplía la investigación previa sobre la subtipificación de la sepsis.