Modelo de predicción de mortalidad en la Insuficiencia Respiratoria Aguda: análisis de Registros Electrónicos de Salud

Abstract

En los últimos años se ha ido generalizando el uso de datos de salud en formato electrónico (EHR) que se han recogido de forma masiva en sistemas EHR. Aunque inicialmente dichos datos tenían una función puramente administrativa se han ido extendiendo sus objetivos hasta abarcar tanto un uso médico como de investigación. Un ejemplo de EHR lo constituye el conjunto de datos MIMIC III, que recoge datos de salud de más de 55000 pacientes ingresados en cuidados intensivos. Este estudio se ha centrado en obtener un modelo de predicción de mortalidad a 30 días en pacientes ingresados con insuficiencia respiratoria aguda mediante técnicas de machine learning (ML) y comparar su resultado con 2 scores de uso habitual en UCI: OASIS y SAPS II. Para encontrar el mejor modelo de clasificación se han usado tanto algoritmos de ML como redes neuronales profundas. El mejor modelo obtenido en el grupo test se corresponde con la regresión logística, logrando un AUC de 0.71. Este resultado es ligeramente superior al obtenido con los scores SAPS II y OASIS (AUC 0.69 y 0.63, respectivamente). Podemos concluir, por tanto, que el uso de técnicas de ML puede mejorar los scores habituales de predicción de mortalidad. No obstante, aún existe un rendimiento limitado al aplicar dichas técnicas a cohortes específicas de pacientes, por lo que se hacen necesarios más estudios de este tipo en los que se aplique ML para predecir mortalidad a pacientes que comparten procesos patológicos similares, más que aplicar dichas técnicas de forma general.

En els últims anys s'ha anat generalitzant l'ús de dades de salut en format electrònic (EHR) que s'han recollit de manera massiva en sistemes EHR. Encara que inicialment aquestes dades tenien una funció purament administrativa s'han anat estenent els seus objectius fins a abastar tant un ús mèdic com de recerca. Un exemple de EHR el constitueix el conjunt de dades MIMIC III, que recull dades de salut de més de 55000 pacients ingressats en vigilància intensiva. Aquest estudi s'ha centrat en obtenir un model de predicció de mortalitat a 30 dies en pacients ingressats amb insuficiència respiratòria aguda mitjançant tècniques de machine learning (ML) i comparar el seu resultat amb 2 scores d'ús habitual en UCI: OASI i SAPS II. Per a trobar el millor model de classificació s'han usat tant algorismes de ML com xarxes neuronals profundes. El millor model obtingut en el grup test es correspon amb la regressió logística, aconseguint un AUC de 0.71. Aquest resultat és lleugerament superior a l'obtingut amb els scores SAPS II i OASIS (AUC 0.69 i 0.63, respectivament). Podem concloure, per tant, que l'ús de tècniques de ML pot millorar els scores habituals de predicció de mortalitat. No obstant això, encara existeix un rendiment limitat en aplicar aquestes tècniques a cohorts específiques de pacients, per la qual cosa es fan necessaris més estudis d'aquest tipus en els quals s'apliqui ML per a predir mortalitat a pacients que comparteixen processos patològics similars, més que aplicar aquestes tècniques de manera general.

In recent years, the use of electronic health data (EHR) has become increasingly widespread and has been massively collected in EHR systems. Although these data initially had a purely administrative function, their objectives have been extended to include both medical and research use. An example of an EHR is the MIMIC III dataset, which collects health data from more than 55,000 intensive care inpatients. This study has focused on obtaining a 30-day mortality prediction model for patients admitted with acute respiratory failure using machine learning (ML) techniques and comparing its result with 2 commonly used ICU scores: OASIS and SAPS II. Both ML algorithms and deep neural networks were used to find the best classification model. The best model obtained in the test group corresponds to logistic regression, achieving an AUC of 0.71. This result is slightly higher than that obtained with the SAPS II and OASIS scores (AUC 0.69 and 0.63, respectively). We can conclude, therefore, that the use of ML techniques can improve the usual mortality prediction scores. However, there is still limited performance when applying these techniques to specific cohorts of patients, so more studies of this type are needed in which ML is applied to predict mortality in patients who share similar pathological processes, rather than applying these techniques in a general way.