Métodos de aprendizaje automático para el desarrollo de un modelo predictivo de delirio durante el ingreso en unidades de cuidados intensivos cardiacos

• Ryoung-Eun Ko ^[1] ; Jihye Lee ^[2] ; Sungeun Kim ^[3] ; Joong Hyun Ahn ^[4] ; Soo Jin Na ^[1] ; Jeong Hoon Yang ^[1]
  1. [1] Sungkyunkwan University

     Sungkyunkwan University

     Corea del Sur

     
  2. [2] Division of Pulmonology and Allergy, Department of Internal Medicine, Soonchunhyang University Cheonan Hospital, Cheonan, República de Corea
  3. [3] Division of Cardiology, Department of Internal Medicine, Inje University College of Medicine, Ilsan Paik Hospital, Goyang, República de Corea
  4. [4] Biostatics and Clinical Epidemiology Center, Samsung Medical Center, Seoul, República de Corea

  Mostrar afiliaciones +
• Localización: Revista española de cardiología, ISSN 0300-8932, Vol. 77, Nº. 7, 2024, págs. 547-555
• Idioma: español
• Títulos paralelos:
  • Machine learning methods for developing a predictive model of the incidence of delirium in cardiac intensive care units
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción y objetivos Este estudio surge de la creciente importancia del delirio como factor pronóstico en la unidad de cuidados intensivos cardiacos (UCIC) y tiene como meta desarrollar un modelo predictivo del delirio en dichos pacientes.

    Métodos Se tomó una muestra de pacientes consecutivos de la UCIC del Samsung Medical Center. Se aplicaron técnicas de aprendizaje automático como random forest, extreme gradient boosting, cuadrados mínimos parciales y Plmnet-elastic.net para evaluar las variables del modelo. Después de identificar las variables pertinentes, se realizó un análisis de regresión logística para formular el modelo. Para la validación interna, se utilizó un método de validación de hold-out repetido 100 veces.

    Resultados Se analizó a 2.774 pacientes, de los cuales 677 (24,4%) desarrollaron delirio en la UCIC. Los modelos basados en aprendizaje automático mostraron un alto rendimiento predictivo. Se seleccionaron predictores relevantes y comunes para construir el modelo, que incluía: nivel de albúmina, INR, nitrógeno ureico en sangre, recuento de leucocitos, nivel de proteína C reactiva, edad, frecuencia cardiaca y ventilación mecánica. El modelo obtuvo un área bajo la curva ROC de 0,861 (IC95%, 0,843-0,879), y se confirmó su eficacia en la validación interna con validación cruzada repetida 100 veces (área bajo la curva ROC, 0,854; IC95%, 0,826-0,883).

    Conclusiones Se desarrolló un nuevo modelo de predicción de delirio, utilizando variables de alta importancia en 4 métodos de aprendizaje automático. Este modelo puede ser una herramienta práctica para evaluar el riesgo de delirio en pacientes de la UCIC.

  • English

    Introduction and objectives Delirium, recognized as a crucial prognostic factor in the cardiac intensive care unit (CICU), has evolved in response to the changing demographics among critically ill cardiac patients. This study aimed to create a predictive model for delirium for patients in the CICU.

    Methods This study included consecutive patients admitted to the CICU of the Samsung Medical Center. To assess the candidate variables for the model: we applied the following machine learning methods: random forest, extreme gradient boosting, partial least squares, and Plmnet-elastic.net. After selecting relevant variables, we performed a logistic regression analysis to derive the model formula. Internal validation was conducted using 100-repeated hold-out validation.

    Results We analyzed 2774 patients, 677 (24.4%) of whom developed delirium in the CICU. Machine learning-based models showed good predictive performance. Clinically significant and frequently important predictors were selected to construct a delirium prediction scoring model for CICU patients. The model included albumin level, international normalized ratio, blood urea nitrogen, white blood cell count, C-reactive protein level, age, heart rate, and mechanical ventilation. The model had an area under the receiver operating characteristics curve (AUROC) of 0.861 (95%CI, 0.843-0.879). Similar results were obtained in internal validation with 100-repeated cross-validation (AUROC, 0.854; 95%CI, 0.826-0.883).

    Conclusions Using variables frequently ranked as highly important in four machine learning methods, we created a novel delirium prediction model. This model could serve as a useful and simple tool for risk stratification for the occurrence of delirium at the patient's bedside in the CICU.