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

Santos Ortiz, Camilo Andrés

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

dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.advisor	Pertuz Arroyo, Said David
dc.contributor.author	Santos Ortiz, Camilo Andrés
dc.contributor.evaluator	Sepúlveda Sepúlveda, Franklin Alexander
dc.contributor.evaluator	Bautista Rozo, Lola Xiomara
dc.date.accessioned	2025-08-13T15:47:17Z
dc.date.available	2025-08-13T15:47:17Z
dc.date.created	2025-08-08
dc.date.issued	2023-08-14
dc.description.abstract	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.
dc.description.abstractenglish	Background: Sepsis is a leading cause of ICU mortality worldwide, requiring early risk identification for improved outcomes. However, the complexity of sepsis limits the clinical applicability of predictive models. For machine learning (ML) models to be useful in practice, they must be robust performing consistently across different ICU settings and actionable, meaning they are feasible to implement with routinely used clinical factors. This study aims to identify significant clinical predictors to develop actionable models for robust mortality prediction in sepsis patients across diverse clinical settings. Methodology: This retrospective study analyzed data from 15,100 ICU patients in the MIMIC-IV v3.0 dataset for training and 8,201 patients in the eICU v2.0 dataset for external validation. Eight ML models were trained, and the best-performing model was selected based on the highest AUC. Significant clinical factors were identified using odds ratios and adjusted odds ratios to assess their predictive association. Results: The best-performing model achieved an AUC of 0.84 (MIMIC-IV) and 0.75 (eICU). Sequential Feature Selection reduced the model to 25 clinical factors without compromising performance, as confirmed by the DeLong’s test (AUC = 0.84, p-value = 0.507). Our study suggests that vital signs and laboratory results are significant predictors, reinforcing their clinical relevance. Conclusion: This study provides a robust and actionable ML model for prediction of mortality in ICU sepsis patients. Its ability to maintain high performance with significant clinical factors extends to resource-limited environments, offering an important step forward in improving critical care patient outcomes.
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería de Telecomunicaciones
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/45869
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Maestría en Ingeniería de Telecomunicaciones
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Factores clínicos
dc.subject	eICU
dc.subject	UCI
dc.subject	MIMIC-IV
dc.subject	Predicción de mortalidad
dc.subject	Sepsis
dc.subject.keyword	Clinical factors
dc.subject.keyword	eICU
dc.subject.keyword	ICU
dc.subject.keyword	MIMIC-IV
dc.subject.keyword	Mortality prediction
dc.subject.keyword	Sepsis
dc.title	Predicción de la mortalidad en unidades de cuidados intensivos para pacientes con sepsis mediante aprendizaje automático
dc.title.english	Predicting Mortality In Intensive Care Units For Sepsis Patients Using Machine Learning
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría