Predicción por aprendizaje automático de múltiples infecciones en pacientes quirúrgicos de edad avanzada

Fondos:

Las infecciones posoperatorias son una de las principales causas de resultados perioperatorios adversos, especialmente en pacientes de edad avanzada. Dadas las variadas presentaciones diagnósticas de la infección, existe una brecha significativa en el uso de herramientas predictivas para identificar a aquellos con alto riesgo de desarrollar tales complicaciones.

Objetivo:

Nuestro objetivo era desarrollar modelos de aprendizaje automático para predecir diversos riesgos de infección posoperatoria en pacientes de edad avanzada, facilitando la detección e intervención tempranas.

Métodos:

Se realizó un análisis retrospectivo de 42.540 pacientes ancianos sometidos a cirugía no cardíaca en el Primer Centro Médico del Hospital General Chino PLA entre enero de 2014 y agosto de 2019, formando el conjunto de Entrenamiento. De esto, se designó aleatoriamente un subconjunto del 30% como conjunto de prueba. Los modelos incorporaron 51 variables, incluidos factores clave relacionados con la infección. Se utilizaron tres técnicas de aprendizaje automático (regresión logística (LR), bosque aleatorio (RF) y máquinas de aumento de gradiente (GBM) para desarrollar modelos predictivos para infecciones posoperatorias generales y específicas, categorizadas según las definiciones de resultados clínicos perioperatorios europeos (EPCO). . El rendimiento del modelo se midió mediante métricas como el área bajo la curva característica operativa del receptor (ROC) (AUC), la exactitud y la precisión. Para mejorar la interpretabilidad del modelo, empleamos el algoritmo de Importancia Variable (VIMP) y Explicaciones Aditivas de Shapley (SHAP) del modelo RF. Para una predicción demostrable de tipos de infección específicos, se introdujeron en el modelo datos de 5 pacientes seleccionados al azar y las probabilidades resultantes se representan en un gráfico de radar.