Validación prospectiva del modelo que predice la ocurrencia de delirio postoperatorio con análisis basado en aprendizaje automático de señales biológicas intraoperatorias durante la anestesia en cirugía cardíaca

El delirio posoperatorio (POD, por sus siglas en inglés) no solo aumenta la duración de la hospitalización y la estadía en la unidad de cuidados intensivos y los costos médicos, sino que también está estrechamente asociado con un pronóstico negativo, que incluye mortalidad posoperatoria, aumento de la morbilidad, deterioro cognitivo a largo plazo después de la cirugía y deterioro de la calidad de vida e independencia. La evaluación del riesgo preoperatorio y la detección temprana de POD son muy importantes en el manejo adecuado de POD. Esto se debe a que el tratamiento farmacológico que puede prevenir o tratar el DOP es limitado, y para su prevención y manejo se requiere un enfoque multidisciplinario y una gestión de recursos que cubra casi todos los aspectos del manejo del paciente. Por lo tanto, si existe un modelo que pueda predecir la aparición de POD, puede ser de gran ayuda en el manejo del delirio después de la cirugía cardíaca a través de una evaluación de riesgo más precisa y una detección temprana. En estudios previos, el envejecimiento y el deterioro cognitivo antes de la cirugía se conocen como los principales factores de riesgo de POD, pero la identificación de los factores de riesgo antes de la cirugía por sí sola es insuficiente para predecir la aparición de POD. La cirugía cardíaca tiene una alta probabilidad de causar cambios fisiopatológicos que pueden causar DPO, ya que se asocia con inestabilidad hemodinámica, uso cardiopulmonar, cambios en la temperatura corporal y respuesta inflamatoria sistémica. Estos cambios fisiopatológicos se pueden reflejar en los datos (bioseñales) obtenidos a través de varios dispositivos de monitoreo durante la anestesia. La mayoría de los eventos que ocurren durante la anestesia se consideran factores de riesgo corregibles de POD, a diferencia de los factores de riesgo preoperatorios, y existe la posibilidad de reducir la aparición de POD al corregirlos activamente. Por tanto, es necesario analizar el efecto de estas bioseñales intraoperatorias sobre el DOP. En el proceso de desarrollo del modelo de predicción del delirio, en lugar de simplemente dividir los datos ya recopilados y usarlos en el proceso de validación del rendimiento del modelo, es mejor realizar la validación del rendimiento del modelo en función de los datos del paciente recopilados prospectivamente para evitar el sobreajuste y lograr un mayor rendimiento predictivo. Por lo tanto, este estudio tiene como objetivo recopilar datos prospectivos para evaluar el rendimiento del modelo de predicción de delirio después de la cirugía cardíaca construido utilizando técnicas de aprendizaje automático basadas en los datos ya recopilados, incluidas las bioseñales durante la anestesia. Después de revisar las historias clínicas desde el día de la cirugía hasta el período de estancia en la UCI, si la puntuación del Intensive Care Delirium Screening Checklist (ICDSC) es igual o superior a 6 o existe un registro de consulta por delirio, se registra como POD. Después de estructurar la base de datos a través de la purificación, la estandarización, la detección de valores atípicos y el muestreo de datos de bioseñales generados durante la cirugía, se recopilan varias variables obtenidas de los registros médicos para construir un conjunto de datos de evaluación. Con este conjunto de datos, el rendimiento del modelo de predicción de delirio creado mediante la aplicación del algoritmo de aprendizaje automático se evalúa a través del análisis de la curva de características operativas del receptor.