Predicción de Mortalidad y Complicaciones Cardiovasculares Intrahospitalarias en Pacientes con Síndrome Coronario Agudo Mediante un Modelo Machine Learning Supervisad
Cargando...
Archivos
Fecha
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Fundación Universitaria Los Libertadores. Sede Bogotá.
Resumen
Acute Coronary Syndromes (ACS) represent the leading cause of death in the world. Clinical prediction models
Clinical prediction models can be useful for decision making mainly in high-risk patients who require early surveillance and more aggressive treatments.
need early surveillance and more aggressive treatment. Numerous prediction models exist for
types of ACS, mostly generalized to predict risk, which questions their usefulness. This paper
Proposes a simple risk prediction model based on machine learning that applies to all types of SCA and focuses on mortality.
ACS and focuses on mortality and relevant in-hospital complications. The DBMIST-US technique is
competitive with other undersampling and oversampling techniques to address the problems of class imbalance and overlap.
and class overlap. A representative sample was found to be sufficient to optimize the performance of the classifiers.
classifiers. Clinical practice is focused on prioritizing sensitivity over accuracy and specificity; however, this technique can be
However, this technique can be used to develop a risk calculator that can save a similar number of patients while lowering costs due to
of patients while decreasing costs because the number of false positives would decrease significantly, leading to an increase in specificity.
resulting in an increase in specificity.
Descripción
Los Síndromes Coronarios Agudos (SCA) representan la principal causa de muerte en el mundo. Los modelos de
predicción clínica pueden ser útiles para tomar decisiones principalmente en pacientes de alto riesgo ya que
precisan vigilancia temprana y tratamientos más agrasivos. Existen numerosos modelos de predicción para los
tipos de SCA, en su mayoría generalizados para predecir el riesgo lo que cuestiona su utilidad. Este trabajo
Propone un modelo de predicción de riesgo simple basado en machine learning que aplica a todos los tipos de
SCA y se enfoca en mortalidad y complicaciones relevantes intrahospitalarias. La técnica DBMIST-US es
competitiva frente a otras técnicas de submuestreo y sobremuestreo para enfrentar los problemas de desbalance
y superposición de clases. Se comprobó que basta una muestra representativa para optimizar el rendimiento de
los clasificadores. La práctica clínica está abocada a priorizar sensibilidad sobre la precisión y la especificidad; sin
embargo, con esta técnica se puede desarrollar una calculadora de riesgo que permita salvar una cantidad similar
de pacientes disminuyendo los costos debido a que el número de falsos positivos disminuiría significativamente
dando lugar a un incremento en la especificidad.