Desarrollo de un algoritmo de aprendizaje automático para la predicción de la mortalidad en pacientes pediátricos hospitalizados en unidades de cuidados intensivos

Abstract

La predicción de mortalidad en pacientes pediátricos críticos sigue siendo un reto en las Unidades de Cuidados Intensivos (UCI), donde una estimación precisa del riesgo es esencial para apoyar decisiones clínicas. Aunque sistemas como PRISM, PIM y PELOD se usan ampliamente, presentan limitaciones de generalización. Los modelos de aprendizaje automático ofrecen una alternativa flexible, pero su aplicación pediátrica está limitada por la escasez de bases públicas y la calidad de los datos; la base “Pediatric Intensive Care" (PIC) constituye el principal recurso abierto disponible.

Se realizó un análisis exploratorio y un OR univariado para evaluar la asociación de variables clínicas con la mortalidad, identificando al fosfato como el factor más asociado, junto con variables de coagulación, gases arteriales, equilibrio electrolítico y lactato. Luego, se entrenaron siete modelos en 4.272 pacientes de PIC, seleccionando LightGBM por su rendimiento, eficiencia y estabilidad. Para el desbalance de clases, se aplicaron estrategias de sobremuestreo, submuestreo y ajustes del modelo, destacando la pérdida focal por su mayor sensibilidad.

Finalmente, SHAP identificó como variables influyentes la estancia en UCI, lactato, hematocrito, pCO2 máximos y frecuencia respiratoria media. Los resultados resaltan el potencial del aprendizaje automático, condicionado a datos más completos, representativos y estandarizados.