Técnicas de Machine Learning para la predicción del éxitus por sepsis en las unidades de cuidados intensivos

• Autores: Javier Carrillo Pérez-Tome
• Directores de la Tesis: Gracia Castro de Luna (dir. tes.), B. Nievas Soriano (dir. tes.)
• Lectura: En la Universidad de Almería ( España ) en 2024
• Idioma: español
• Títulos paralelos:
  • Machine Learning techniques for predicting death from sepsis in intensive care units
• Tribunal Calificador de la Tesis: Delia Cristóbal Cañadas (presid.), A. Pérez Rueda (voc.), Francisco Javier Fernández Carrasco (voc.)
• Enlaces
  • Tesis en acceso abierto en: riUAL
• Resumen
  • español

    Objetivo El objetivo de esta tesis doctoral es desarrollar un modelo pronóstico de éxitus por sepsis basado en técnicas de aprendizaje automático para pacientes ingresados en la Unidad de Cuidados Intensivos (UCI). Metodología El diseño epidemiológico es descriptivo transversal. Se han utilizado las bases de datos de pacientes ingresados en la Unidad de Cuidados Intensivos (UCI) del Hospital Virgen de la Arrixaca de Murcia (España) y pacientes de la base de datos de acceso abierto MIMIC III. En total han sido estudiados 180 pacientes diagnosticados de sepsis en la UCI del Hospital Virgen de la Arrixaca de Murcia y un total de 4559 pacientes de la base de datos MIMIC III. Las principales variables a estudio han sido: Edad, peso, frecuencia cardiaca, frecuencia respiratoria, temperatura, niveles de lactato, saturación parcial de oxígeno, presión arterial sistólica y diastólica, pH, orina y niveles de potasio. Resultados Se calcularon un modelo de clasificación de bosque aleatorio y un modelo de regresión logística binaria para cada base de datos la local y MIMIC III. La sensibilidad del mejor modelo obtenido de nuestra base de datos, considerando todas las variables clasificadas como importantes por el bosque aleatorio, fue del 95,45%, la especificidad del 100%, la precisión del 96,77% y un AUC del 95%. En el caso del modelo basado en la base de datos MIMIC III, la sensibilidad fue del 97,55%, la especificidad del 100% y la precisión del 98,28%, con un AUC del 97,3%. Conclusiones Según los modelos calculados para ambas bases de datos, los niveles de lactato, la diuresis y las variables relacionadas con el equilibrio ácido-base fueron las variables más importantes en la mortalidad por sepsis en la UCI. Los niveles de potasio fueron más críticos en la base de datos MIMIC III que en la base de datos local.

  • English

    Objective The aim of this doctoral thesis is to develop a sepsis exitus `predictive model based on machine learning techniques for patients admitted to the Intensive Care Unit (ICU). Methodology The epidemiological design is cross-sectional descriptive. The databases of patients admitted to the Intensive Care Unit (ICU) of the Hospital Virgen de la Arrixaca in Murcia (Spain) and patients from the open access database MIMIC III have been used. A total of 180 patients diagnosed with sepsis in the ICU of the Hospital Virgen de la Arrixaca de Murcia and a total of 4559 patients from the MIMIC III database were studied. The main variables studied were: Age, weight, heart rate, respiratory rate, temperature, lactate levels, partial oxygen saturation, systolic and diastolic blood pressure, pH, urine and potassium levels. Results A random forest classification model and a binary logistic regression model were calculated for each local and MIMIC III database. The sensitivity of the best model obtained from our database, considering all variables classified as important by the random forest, was 95.45%, specificity 100%, accuracy 96.77% and AUC 95%. . In the case of the model based on the MIMIC III database, the sensitivity was 97.55%, the specificity 100% and the accuracy 98.28%, with an AUC of 97.3%. Conclusions According to the models calculated for both databases, lactate levels, diuresis and variables related to acid-base balance were the most important variables in ICU sepsis mortality. Potassium levels were more critical in the MIMIC III database than in the local database.