Predicción de la readmisión en la unidad de cuidados intensivos quirúrgicos con modelo de aprendizaje automático:...

Área de la Ciencia:

• Informática Médica
• Aprendizaje Automático en Salud
• Medicina de Cuidados Intensivos

Sus antecedentes:

• Las readmisiones en la unidad de cuidados intensivos quirúrgicos (UCIQ) se asocian con alta mortalidad y costos.
• La predicción del riesgo de readmisión en la UCIQ es fundamental para la gestión proactiva del paciente.
• El desarrollo de modelos predictivos precisos puede mejorar los resultados de los pacientes y la asignación de recursos.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir la readmisión en la UCIQ.
• Comparar el rendimiento de varios algoritmos de ML con los métodos tradicionales.
• Identificar los factores clínicos clave asociados con la readmisión en la UCIQ.

Principales métodos:

• Análisis retrospectivo de registros de salud electrónicos de dos sucursales hospitalarias.
• Desarrollo y validación interna de modelos de ML que incluyen Regresión Logística, Random Forest, Gradient Boosting, Redes Neuronales Artificiales y Máquinas de Vectores de Soporte.
• Validación externa del modelo con mejor rendimiento frente a métodos tradicionales de regresión logística.

Principales resultados:

• El modelo Gradient Boosting (GB) demostró un rendimiento superior con un AUROC de 0.82 en la validación interna.
• Los predictores clave de la readmisión en la UCIQ incluyeron el uso de catéter venoso central, la duración de la estancia previa a la UCI, el nitrógeno ureico en sangre y el uso de carbapenémicos.
• El modelo GB superó a los métodos tradicionales de regresión logística en la cohorte de validación externa.

Conclusiones:

• Los modelos de aprendizaje automático, en particular Gradient Boosting, ofrecen mayor precisión y fiabilidad para predecir la readmisión en la UCIQ.
• Los modelos de ML proporcionan una herramienta valiosa para identificar pacientes de alto riesgo, lo que permite intervenciones específicas.
• Los hallazgos respaldan la integración del ML en la práctica clínica para la gestión de pacientes en cuidados intensivos.