XGBoost supera a otros modelos de aprendizaje automático en el diagnóstico de trombocitopenia asociada a sepsis: un...

Área de la Ciencia:

• Biología computacional y bioinformática
• Informática médica e inteligencia artificial

Sus antecedentes:

• La trombocitopenia asociada a sepsis es una complicación común relacionada con resultados adversos para el paciente.
• Los métodos diagnósticos actuales para la trombocitopenia asociada a sepsis enfrentan desafíos, lo que requiere enfoques avanzados.
• Los modelos de aprendizaje automático (ML) ofrecen potencial para mejorar la precisión diagnóstica en entornos de cuidados intensivos.

Objetivo del estudio:

• Comparar el rendimiento diagnóstico de varios modelos de ML para la trombocitopenia asociada a sepsis.
• Evaluar los modelos Random Forest (RF), Redes Neuronales Artificiales (ANN), Extreme Gradient Boosting (XGBoost) y Naive Bayes (NB).
• Evaluar la eficacia del modelo utilizando métricas de rendimiento predefinidas e identificar las variables diagnósticas clave.

Principales métodos:

• Análisis retrospectivo de los registros médicos electrónicos de 1447 pacientes con sepsis de dos centros (2013-2023).
• División de datos en conjuntos de entrenamiento (80%) y prueba (20%), con validación cruzada de 10 pliegues en los datos de entrenamiento.
• Evaluación del rendimiento utilizando precisión, exactitud, puntuación F1, Área bajo la curva característica operativa del receptor (AUROC) y matrices de confusión; análisis de importancia de características mediante SHAP.

Principales resultados:

• La trombocitopenia estuvo presente en el 53,4% de los pacientes con sepsis.
• XGBoost demostró un rendimiento superior con un 91,10% de precisión y un 92,31% de puntuación F1 durante la validación cruzada.
• Todos los modelos evaluados (RF, ANN, XGBoost, NB) alcanzaron valores de AUROC superiores al 90% tanto en los conjuntos de validación cruzada como en los de prueba.

Conclusiones:

• El modelo XGBoost exhibió el mayor rendimiento diagnóstico, con un AUROC de validación cruzada del 98,60% y un AUROC del conjunto de prueba del 97,50%.
• Los modelos de ML, en particular XGBoost, muestran un potencial significativo para el diagnóstico preciso y eficiente de la trombocitopenia asociada a sepsis.
• Estos hallazgos respaldan la integración de herramientas avanzadas de ML en la práctica clínica para mejorar el manejo de la sepsis.