Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca

En la cirugía cardíaca, las puntuaciones de riesgo proporcionadas por la Sociedad de Cirujanos Torácicos (STS) a menudo se utilizan para evaluar el riesgo del procedimiento de un paciente. Si bien estos puntajes siguen siendo vitales para que los hospitales evalúen y mejoren su desempeño, se extraen de datos de toda la población, lo que puede no ser suficiente para predecir con precisión el riesgo de pacientes específicos con patologías complejas.

Ahora, cirujanos cardiovasculares y especialistas en ciencia de datos de Mount Sinai (Nueva York, NY, EUA) han desarrollado un modelo basado en aprendizaje automático que predice el riesgo de mortalidad para pacientes de cirugía cardíaca individuales, lo que ofrece una ventaja de desempeño considerable sobre los modelos actuales basados en la población. Este algoritmo basado en datos, basado en extensos registros de salud electrónicos (RSE), es el primer modelo específico de una institución de este tipo para la evaluación prequirúrgica del riesgo de pacientes cardíacos. Permite a los proveedores de atención médica determinar la estrategia de tratamiento óptima para cada paciente.

El equipo teorizó que los modelos basados en datos de RSE de su propia institución, creados mediante aprendizaje automático, podrían proporcionar una solución útil. Utilizando datos de los RSE recopilados de rutinariamente, desarrollaron un sólido marco de aprendizaje automático para generar un modelo de predicción de riesgo para la mortalidad posquirúrgica que se adapta tanto al paciente como al hospital. Este modelo incorpora datos vitales sobre la población de pacientes de Mount Sinai, incluidas las características demográficas, socioeconómicas y de salud. Esto contrasta con los modelos basados en la población como los de STS, que se basan en datos de varios sistemas de salud en los EUA. La eficacia de este enfoque se ve reforzada por un algoritmo de predicción de código abierto eficiente llamado XGBoost, que reúne un grupo de árboles de decisión centrándose progresivamente en segmentos de datos de entrenamiento más difíciles de predecir.

El equipo de investigación utilizó XGBoost para modelar 6.392 cirugías cardíacas realizadas en el hospital Mount Sinai entre 2011 y 2016, que abarcaron procedimientos de válvulas cardíacas, injertos de derivación de arteria coronaria, resecciones aórticas, reemplazos o anastomosis y cirugías cardíacas reoperatorias, que aumentan significativamente el riesgo de mortalidad. Luego, el equipo comparó el desempeño de su modelo con los modelos de STS para los mismos conjuntos de pacientes. El estudio encontró que el modelo XGBoost eclipsó las puntuaciones de riesgo de mortalidad de STS en todas las categorías de cirugía cardíaca realizadas con frecuencia para las que se diseñaron las puntuaciones de STS. El desempeño predictivo del modelo XGBoost en todos los tipos de cirugías también fue alto, lo que indica el potencial del aprendizaje automático y los datos de RSE para construir modelos efectivos específicos de la institución.

"Los modelos de riesgo estándar de atención que se utilizan hoy en día están limitados por su aplicabilidad a tipos específicos de cirugías, excluyendo a un número significativo de pacientes que se someten a procedimientos complejos o combinados para quienes no existen modelos", dijo el autor principal Ravi Iyengar, PhD, Profesor de Ciencias Farmacológicas Dorothy H. y Lewis Rosenstiel en la Escuela de Medicina Icahn en Mount Sinai, y director del Instituto de Biomedicina de Sistemas Mount Sinai. “Nuestro equipo combinó rigurosamente datos de registros de salud electrónicos y métodos de aprendizaje automático para demostrar por primera vez cómo las instituciones individuales pueden construir sus propios modelos de riesgo para la mortalidad poscirugía cardíaca”.

Enlaces relacionados:
Mount Sinai