Predicción del éxito de la prueba de respiración espontánea utilizando bioseñales y biomarcadores en la unidad de cuidados intensivos mediante un enfoque de aprendizaje automático

Contexto:

Varios autores se han interesado en aplicar la Inteligencia Artificial (IA) a la medicina, utilizando diversas técnicas de Machine Learning (ML): manejo del shock séptico, predicción de insuficiencia renal... [1, 2] La IA tiene un lugar importante en el apoyo a la decisión de los médicos [ 3]. El período de destete es un momento realmente importante en el manejo de un paciente con ventilación mecánica y puede tomar hasta la mitad del tiempo que se pasa en la unidad de cuidados intensivos. El primer intento de destete no tiene éxito en el 20 % de los pacientes. Sin embargo, la mortalidad puede llegar al 38 % en los pacientes con el destete más difícil [4]. Solo unos pocos estudios han analizado la aplicación del aprendizaje automático en esta área, y solo uno ha analizado el uso de bioseñales (frecuencia cardíaca, ECG, parámetros ventilatorios...) [5-7]. Para mejorar la morbimortalidad y reducir la estancia hospitalaria es fundamental poder predecir el éxito de la prueba de respiración espontánea y la extubación.

Los investigadores proponen desarrollar un algoritmo predictivo para el éxito de una prueba de destete ventilatorio basado en registros de bioseñales y otras características.

Métodos:

Se trata de un estudio de cuidados críticos, oligocéntrico y retrospectivo en el que los investigadores incluyeron variables de bioseñal extraídas de la historia clínica electrónica, como respiratorias (RR, volumen minuto...), cardíacas (presión sistólica, frecuencia cardíaca...), ventilador parámetros y otras variables discretas (edad, comorbilidad...). La mayoría de las variables de bioseñales son registros minuto a minuto. El registro comienza 48 horas antes de la prueba y se detiene al comienzo de la prueba de destete. Los investigadores extrajeron características de estos registros, las combinaron con otros biomarcadores y aplicaron varios algoritmos de aprendizaje automático: regresión logística, clasificador de bosque aleatorio, clasificador de vectores de soporte (SVC), XGBoost y método de aumento de gradiente de luz (LGBM)...