Predicción de resultados adversos mediante el aprendizaje automático de pacientes con EPOC en Hong Kong

La enfermedad pulmonar obstructiva crónica (EPOC) es una enfermedad común, prevenible y tratable que se caracteriza por síntomas respiratorios persistentes y limitación del flujo de aire que se debe a anomalías alveolares y/o de las vías respiratorias, generalmente causadas por una exposición significativa a partículas o gases nocivos e influenciada por el huésped. factores que incluyen el desarrollo pulmonar anormal. Se estimó que 3,2 millones de personas murieron a causa de la EPOC en todo el mundo en 2015 y hubo un aumento del 11,6 % en comparación con 1990. La EPOC es la tercera causa principal de muerte a nivel mundial en 2019.

En Hong Kong (HK), las tasas de prevalencia de la EPOC en la población de edad avanzada ≥60 años fueron del 25,9 % y del 12,4 % según la definición espirométrica de la relación volumen espiratorio forzado en 1 s (FEV1)/capacidad vital forzada (FVC) <70 % y el límite inferior de la normalidad del FEV1/FVC respectivamente.4 Según nuestro estudio reciente sobre los ingresos hospitalarios por EPOC, hay un total de 67 628 ingresos por EPOC de la semana 1 de enero de 2017 a la semana 3 de enero de 2020 (antes de la pandemia de COVID) y 11 065 ingresos desde la semana 4 de enero de 2020 hasta la semana 4 de diciembre de 2020 (durante la pandemia de COVID). ). 5 La carga de las hospitalizaciones por EPOC es significativa y es importante comprender el motivo de estas admisiones para desarrollar estrategias adecuadas para resolver el problema y mejorar los resultados de salud de los pacientes que padecen EPOC.

La readmisión temprana y las admisiones frecuentes que resultan de la EPOC son resultados hospitalarios comúnmente estudiados debido a la alta carga financiera tanto para el individuo como para el estado y el alto uso de los recursos de atención médica pública. Con el advenimiento de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML), ha habido un interés considerable en su aplicación a la medicina. Un metaanálisis reciente mostró la compatibilidad de estos modelos en la predicción de los resultados de la EPOC.7 Sin embargo, pocos estudios han logrado demostrar que AI/ML son superiores a los métodos tradicionales de modelado estadístico, AI/ML son interpretables y pueden correlacionarse clínicamente, y AI/ML pueden tener una aplicación clínica directa.

Este estudio tiene como objetivo desarrollar modelos predictivos para pacientes con diagnóstico de EPOC al alta de un ingreso índice sobre estos resultados:

Medida de resultado primaria: Ingreso temprano

Resultados secundarios:

1. readmisión frecuente
2. Resultado compuesto (Reingresos tempranos + frecuentes)
3. Mortalidad
4. Estancias largas

Se evaluará la viabilidad y la supuesta superioridad de los modelos de Machine Learning (ML) como alternativas a los métodos tradicionales de aprendizaje estadístico. Aparte de eso, se identificarían los predictores principales de cada resultado de interés para sugerencias de posibles intervenciones que mejorarán los resultados (es decir, reducir las tasas de ingreso temprano, ingreso frecuente y mortalidad). También se desarrollarán puntajes clínicos para el despliegue en entornos clínicos.