Hacia una atención paliativa proactiva en oncología: desarrollando un modelo de aprendizaje automático basado en EHR explicable para la predicción del riesgo de mortalidad

Resumen Antecedentes La identificación ex-ante del último año de vida facilita un enfoque paliativo proactivo. Los modelos de aprendizaje automático entrenados en registros de salud electrónicos (EHR) demuestran un rendimiento prometedor en la prognosticación del cáncer. Sin embargo, las lagunas en la literatura incluyen la informes incompletos del rendimiento del modelo, una alineación inadecuada de la formulación del modelo con el caso de uso de implementación y una explicabilidad insuficiente que obstaculiza la confianza y adopción en entornos clínicos. Por lo tanto, nuestro objetivo es desarrollar un modelo de aprendizaje automático basado en EHR que sea explicable y que inicie procesos de atención paliativa al predecir el riesgo de mortalidad a 365 días entre pacientes con cáncer avanzado en un entorno ambulatorio. Métodos Nuestra cohorte consistió en 5,926 adultos diagnosticados con cáncer de órganos sólidos en Etapa 3 o 4 entre el 1 de julio de 2017 y el 30 de junio de 2020 y que recibieron atención ambulatoria oncológica dentro de un centro terciario. El problema de clasificación fue modelado utilizando Extreme Gradient Boosting (XGBoost) y alineado a nuestro caso de uso previsto: “Dada un punto de predicción que corresponde a un encuentro ambulatorio de cáncer, predecir la mortalidad dentro de los 365 días a partir del punto de predicción, utilizando datos de EHR hasta 365 días antes.” El modelo fue entrenado con el 75% del conjunto de datos (n = 39,416 encuentros ambulatorios) y validado en un conjunto de datos de retención del 25% (n = 13,122 encuentros ambulatorios). Para explicar las salidas del modelo, utilizamos valores de Explicaciones Aditivas de Shapley (SHAP). Se utilizaron características clínicas, pruebas de laboratorio y datos de tratamiento para entrenar el modelo. El rendimiento se evaluó utilizando el área bajo la curva de la característica de operación del receptor (AUROC) y el área bajo la curva de precisión-recall (AUPRC), mientras que la calibración del modelo se evaluó utilizando la puntuación de Brier. Resultados En total, 17,149 de los 52,538 puntos de predicción (32.6%) tuvieron un evento de mortalidad dentro de la ventana de predicción de 365 días. El modelo demostró un AUROC de 0.861 (IC del 95% 0.856–0.867) y un AUPRC de 0.771. La puntuación de Brier fue de 0.147, lo que indica ligeras sobrestimaciones del riesgo de mortalidad. Los diagramas explicativos que utilizan valores SHAP permitieron visualizar el impacto de las características en las predicciones tanto a nivel global como individual. Conclusión Nuestro modelo de aprendizaje automático demostró buena discriminación y precisión-recall en la predicción del riesgo de mortalidad a 365 días entre individuos con cáncer avanzado. Tiene el potencial de proporcionar predicciones de mortalidad personalizadas y facilitar una integración más temprana de la atención paliativa.