Modelos basados en aprendizaje automático para predecir mortalidad y lesión renal aguda en embolia pulmonar crítica

OBJETIVOS: Nuestro objetivo fue utilizar algoritmos de aprendizaje automático (ML) para estratificar el riesgo del pronóstico de embolia pulmonar crítica (EP). MATERIAL Y MÉTODOS: En total, se obtuvieron 1229 pacientes de la base de datos MIMIC-IV. Los resultados principales se establecieron como mortalidad por todas las causas dentro de los 30 días. Se aplicaron regresión logística (LR) y un modelo simplificado de aumento de gradiente extremo (XGBoost) para la construcción de modelos. Elegimos los modelos finales en función de su grado de ajuste con los datos. Para simplificar el modelo y aumentar su utilidad, se construyeron modelos simplificados basados en las 8 variables más importantes. Se utilizaron la discriminación y la calibración para evaluar la capacidad predictiva. Estratificamos los grupos de riesgo en función de los deciles de estimación de riesgo. RESULTADOS: El modelo simplificado de XGB tuvo un mejor rendimiento en la discriminación del modelo, con un AUC de 0.82 (IC del 95%: 0.78-0.87) en la cohorte de validación, en comparación con el AUC del modelo simplificado de LR (0.75, IC del 95%: 0.69-0.80). Y XGB tuvo un mejor rendimiento que sPESI en la cohorte de validación. Una nueva clasificación de riesgo basada en XGB podría predecir con precisión el bajo riesgo de mortalidad y tuvo una alta consistencia con las puntuaciones de riesgo reconocidas. CONCLUSIONES: Los modelos de ML pueden predecir con precisión la mortalidad a 30 días de los pacientes con EP crítica, lo que podría utilizarse para reducir la carga de la estancia en la UCI, disminuir la mortalidad y mejorar la calidad de vida de los pacientes con EP crítica.