A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis
Por: García-Gallo, J.E [Autor]
Colaborador(es): Fonseca-Ruiz, N.J | Duitama-Muñoz, J.F [Autores]Tipo de material: 
ArtículoIdioma: Español Descripción: páginas 160-170Otro título: Modelo para la predicción de la mortalidad a un año en pacientes ingresados en una unidad de cuidados intensivos con diagnóstico de sepsisTema(s): SEPSIS | PRONÓSTICO | RESULTADO FATAL | STOCHASTIC GRADIENT BOOSTINGRecursos en línea: Haga clic para acceso en línea
En: Medicina IntensivaResumen: La sepsis conlleva una elevada mortalidad, y su gravedad debe evaluarse rápidamente. Los sistemas utilizados para clasificar la intensidad de la enfermedad pretenden ser aplicables a todos los pacientes, y generalmente evalúan la mortalidad intrahospitalaria. Sin embargo, los pacientes con sepsis continúan estando en riesgo de muerte después del alta hospitalaria. Se realizó un estudio con el objetivo de desarrollar un modelo para la predicción de la mortalidad a un año de pacientes en UCI con diagnóstico de sepsis. Se evaluaron los datos de 5650 admisiones de pacientes con sepsis de la base de datos Medical Information Mart for Intensive Care (MIMIC-III), los cuales fueron divididos aleatoriamente así: 70% para entrenamiento y 30% para validación. Estudio retrospectivo de cohorte basado en registros. Se utilizó la información clínica de las primeras 24 horas después de la admisión para desarrollar un modelo de predicción de mortalidad a un año basado en la metodología Stochastic Gradient Boosting (SGB). La selección de variables se abordó utilizando las metodologías Least Absolute Shrinkage and Selection Operator (LASSO) e importancia de variables por SGB. El poder predictivo del modelo fue evaluado usando el AUROC. Se obtuvo un AUROC de 0.8039 (intervalo de confianza [IC] del 95%: [0.8033-0.8045]). El modelo supera los resultados obtenidos con algunos puntajes tradicionales en el mismo subconjunto de validación. Se llegó a la conclusión que el uso de algoritmos de ensamblaje, como SGB, para la generación de un modelo adaptado para la sepsis, proporcionan estimaciones de mortalidad a un año más precisas que los sistemas de puntuación tradicionales como SAPS II, SOFA u OASIS.
| Tipo de ítem | Ubicación actual | Signatura | Info Vol | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|
Publicación Periódica
|
Biblioteca Central ESSALUD | MEDINT (Navegar estantería) | v.44 N°3(2020) | Disponible | MEDINT011 |
La sepsis conlleva una elevada mortalidad, y su gravedad debe evaluarse rápidamente. Los sistemas utilizados para clasificar la intensidad de la enfermedad pretenden ser aplicables a todos los pacientes, y generalmente evalúan la mortalidad intrahospitalaria. Sin embargo, los pacientes con sepsis continúan estando en riesgo de muerte después del alta hospitalaria. Se realizó un estudio con el objetivo de desarrollar un modelo para la predicción de la mortalidad a un año de pacientes en UCI con diagnóstico de sepsis. Se evaluaron los datos de 5650 admisiones de pacientes con sepsis de la base de datos Medical Information Mart for Intensive Care (MIMIC-III), los cuales fueron divididos aleatoriamente así: 70% para entrenamiento y 30% para validación. Estudio retrospectivo de cohorte basado en registros. Se utilizó la información clínica de las primeras 24 horas después de la admisión para desarrollar un modelo de predicción de mortalidad a un año basado en la metodología Stochastic Gradient Boosting (SGB). La selección de variables se abordó utilizando las metodologías Least Absolute Shrinkage and Selection Operator (LASSO) e importancia de variables por SGB. El poder predictivo del modelo fue evaluado usando el AUROC. Se obtuvo un AUROC de 0.8039 (intervalo de confianza [IC] del 95%: [0.8033-0.8045]). El modelo supera los resultados obtenidos con algunos puntajes tradicionales en el mismo subconjunto de validación. Se llegó a la conclusión que el uso de algoritmos de ensamblaje, como SGB, para la generación de un modelo adaptado para la sepsis, proporcionan estimaciones de mortalidad a un año más precisas que los sistemas de puntuación tradicionales como SAPS II, SOFA u OASIS.