Modelo de máquina innovador predice el paro cardíaco en pacientes de UCI con alta precisión

En un estudio innovador publicado en Npj Digital Medicine, los investigadores han presentado un nuevo modelo de aprendizaje automático (ML) que demuestra una precisión excepcional en predecir el paro cardíaco en pacientes de la unidad de cuidados intensivos (UCI) utilizando datos del electrocardiograma (ECG).

Desentrañando la necesidad de modelos predictivos mejorados

A pesar de los avances en la medicina de cuidados críticos, la incidencia de paros cardíacos inesperados y repentinos sigue siendo un desafío para los pacientes ingresados en las UCI. Las diversas razones detrás de los paros cardíacos intrahospitalarios requieren el desarrollo de modelos de predicción precisos para la detección en tiempo real, lo que permite intervenciones oportunas y que salvan vidas, como la reanimación cardiopulmonar (RCP) y la desfibrilación temprana.

Mientras que los modelos anteriores se basaban en características clínicas de los registros médicos electrónicos (EMR), las limitaciones en la recopilación de varias variables EMR impulsaron un cambio hacia algoritmos de ML basados en datos de ECG. Los modelos de predicción basados en electrocardiogramas garantizan un monitoreo constante y en tiempo real, ofreciendo un posible avance en las predicciones de paros cardíacos intrahospitalarios.

El equipo de investigación construyó meticulosamente un conjunto de datos estructurado de ECG a partir de 5.679 estancias en UCI que involucraron a 4.821 pacientes. Utilizando señales de electrocardiograma, calcularon un conjunto integral de 74 medidas de variabilidad de la frecuencia cardíaca (HRV), que incluyen medidas de dominio temporal, de dominio frecuencial y no lineales. El algoritmo BorutaShap seleccionó 33 de estas medidas como características de entrada para el modelo de predicción.

Empleando un algoritmo de máquina de gradiente ligero (LGBM), los investigadores optimizaron los hiperparámetros del modelo utilizando optimización bayesiana. El resultado principal fue la ocurrencia de un paro cardíaco dentro de las 0,5-24 horas, con resultados secundarios considerados en varios intervalos de tiempo.

Resultados impresionantes y análisis comparativo

El modelo de ML logró un área bajo la curva operativa del receptor (AUROC) sobresaliente de 0,881 y un área bajo la curva de precisión-recuperación (AUPRC) de 0,104 para el resultado principal. El rendimiento de discriminación del modelo se mantuvo sólido en los resultados secundarios, demostrando su fiabilidad para predecir paros cardíacos en pacientes de UCI.

Al comparar el modelo de ML con un modelo basado en parámetros clínicos, que utilizaba 43 características derivadas de los signos vitales, se reveló un AUROC significativamente mayor (0,881 frente a 0,735, p < 0,001) para el modelo del estudio que utiliza medidas de HRV. Esto destaca la superioridad del modelo de ML basado en ECG para predecir paros cardíacos repentinos.

Desvelando las medidas clave de HRV e implicaciones futuras

El análisis de importancia de las características identificó las seis medidas principales, incluido el percentil 20 de los intervalos RR (Prc20NN), la interpolación triangular del histograma del intervalo RR (TINN) y el rango intercuartílico de los intervalos RR (IQRNN). Estas medidas exhibieron cambios dinámicos aproximadamente seis horas antes de un paro cardíaco repentino, ofreciendo valiosas perspectivas para la evaluación en tiempo real de la condición cardíaca del paciente.

Los resultados del estudio sugieren que una mayor IALS (segmentos de aceleración/desaceleración) puede estar asociada con condiciones cardíacas comprometidas, enfatizando el potencial del modelo de ML para identificar a pacientes en riesgo de paro cardíaco repentino.

Una de las fortalezas significativas de este estudio es la alta accesibilidad y transferibilidad del modelo a diversos entornos de atención médica. El monitoreo continuo de ECG, una práctica estándar en los entornos de UCI, hace que la aplicación de este modelo predictivo sea sencilla en la práctica clínica.

Aunque el estudio proporciona perspectivas cruciales en tiempo real, los investigadores reconocen la necesidad de más investigaciones para establecer la causalidad entre las medidas de HRV y el paro cardíaco.