Publicación:

Predicción de la mortalidad en unidades de cuidados intensivos para pacientes con sepsis mediante aprendizaje automático

Resumen

La sepsis es una de las principales causas de mortalidad en las UCI de todo el mundo, por lo que es necesario identificar precozmente el riesgo para mejorar los resultados. Sin embargo, la complejidad de la sepsis limita la aplicabilidad clínica de los modelos predictivos. Para que los modelos de aprendizaje automático (ML) sean útiles en la práctica, deben ser robustos, tener un rendimiento consistente en diferentes entornos de la UCI y ser procesables, lo que significa que sean factibles de implementar con factores clínicos significativos en la rutina de la UCI. El objetivo de este estudio es identificar predictores clínicos significativos para desarrollar modelos procesables de predicción robusta de la mortalidad en pacientes con sepsis en diversos entornos clínicos. Este estudio retrospectivo analizó datos de 15.100 pacientes de UCI en el conjunto de datos MIMIC-IV v3.0 para el entrenamiento y 8.201 pacientes en el conjunto de datos eICU v2.0 para la validación externa. Se entrenaron ocho modelos ML y se seleccionó el modelo de mejor rendimiento en función del AUC más alto. Los factores clínicos significativos se identificaron mediante odds ratios y odds ratios ajustados para evaluar su asociación predictiva. El modelo con mejores resultados alcanzó un AUC de 0,84 (MIMIC-IV) y 0,75 (eICU). La selección secuencial de características redujo el modelo a 25 factores clínicos sin comprometer el rendimiento, como confirmó la prueba de DeLong (AUC = 0,84; valor p = 0,507). Nuestro estudio sugiere que las constantes vitales y los resultados de laboratorio son predictores significativos, lo que refuerza su relevancia clínica. Este estudio proporciona un modelo ML robusto y procesable para la predicción de la mortalidad en pacientes con sepsis en la UCI.