Análisis Lógico de Datos y Riesgo de Cirugía Cardiaca

FONDO:

Una de las tareas más importantes que realizan los médicos cardiovasculares es la estratificación del riesgo, ya que eso permite dirigir adecuadamente los tratamientos agresivos a los pacientes que tienen más probabilidades de beneficiarse de ellos. Las estrategias contemporáneas de estratificación del riesgo incluyen sistemas de puntuación clínica junto con la realización de pruebas no invasivas. Aunque estos enfoques se usan comúnmente, los médicos aún necesitan incorporar múltiples piezas de información clínica en una evaluación de riesgo global cohesiva. Por lo tanto, el concepto de utilizar datos de grandes conjuntos de datos de observación para desarrollar puntajes de riesgo complejos y fomentar su uso en la práctica de rutina está evolucionando gradualmente y ganando aceptación. El análisis lógico de datos (LAD) es un enfoque potencialmente útil para analizar sistemáticamente grandes bases de datos con el fin de desarrollar y validar esquemas de predicción de riesgo clínicamente útiles. A diferencia de las técnicas de regresión estándar, LAD no se enfoca principalmente en los factores de riesgo individuales y las interacciones bidireccionales entre ellos. Más bien, LAD está diseñado para identificar patrones complejos de hallazgos, o síndromes, que predicen los resultados. Este método se ha aplicado a problemas de economía, sismología y exploración petrolera, pero no a la medicina.

NARRATIVA DE DISEÑO:

El estudio tiene tres objetivos específicos: 1). aplicar LAD para desarrollar y validar instrumentos de predicción de riesgo entre pacientes sometidos a diferentes tipos de cirugía cardíaca. 2. comparar el valor predictivo de los instrumentos predictivos LAD con instrumentos predictivos desarrollados utilizando métodos estadísticos estándar, incluido el modelado paramétrico de múltiples fases de tiempo. 3. Desarrollar instrumentos predictivos utilizando bosques de riesgo relativo, un nuevo método de Monte Carlo para estimar valores de riesgo en grandes entornos de datos de supervivencia con un gran número de variables correlacionadas. Los bosques de riesgo relativo son una adaptación de los bosques aleatorios introducidos por Breiman. Cuando sea posible, estos métodos se compararán con LAD. Se calcularán estimaciones internas para el error de generalización, una medida de qué tan bien se generalizará el método a otras configuraciones de datos, y se usarán en el desarrollo del instrumento predictivo. Los bosques de riesgo relativo también se compararán con varios otros métodos no deterministas, incluida la selección de variables boosting y spike and slab. Todas estas técnicas se pueden usar para desarrollar modelos complejos mientras se mantiene un buen error de predicción y son ideales para problemas de alta dimensión donde fallan los métodos tradicionales. Aunque este proyecto se centrará en la evaluación de riesgos entre los pacientes que se someten a cirugía cardíaca, es importante reconocer que estamos interesados ​​principalmente en el valor de la LAD como un medio para analizar conjuntos de datos muy grandes y complejos dentro de una esfera médica. Por lo tanto, la aplicabilidad de este trabajo va más allá de la determinación del riesgo de los pacientes sometidos a cirugía cardiaca.

Los datos utilizados para este estudio consistirán en datos de cirugía cardíaca del Registro de Información Cardiovascular de la Fundación de la Clínica Cleveland (CVIR). Se reunirán cuatro cohortes de datos; Cohorte I: 18.914 pacientes de CABG entre 1990 y 2000; Cohorte II: 6952 pacientes sometidos a reemplazo de válvula aórtica; Cohorte III: 2979 pacientes sometidos a reemplazo de válvula mitral; Cohorte IV: 10.482 pacientes sometidos a reparación de válvula mitral. El criterio principal de valoración será la mortalidad total a largo plazo; para los pacientes de cirugía valvular será un seguimiento activo.