BMC Emerg Med. 2 de diciembre de 2025. doi: 10.1186/s12873-025-01427-1. En línea antes de imprimir.
INTRODUCCIÓN: Determinar el nivel de triaje de los pacientes a su llegada al servicio de urgencias del hospital es de gran importancia para identificar a los pacientes de alto riesgo y asignarles recursos. Esta cuestión puede ser incluso de mayor importancia en pacientes que presentan síntomas relacionados con el corazón. Este estudio se realizó para predecir el nivel de clasificación de los pacientes que presentan síntomas relacionados con el corazón utilizando métodos de aprendizaje automático y para comparar el rendimiento de diferentes enfoques.
MÉTODOS: Este estudio prospectivo se realizó en 2024 en tres pasos principales. En el primer paso, se realizó una revisión de la literatura y los factores que influyen en los niveles de clasificación de los pacientes se extrajeron de estudios previos. Luego, los factores identificados en la revisión de la literatura se presentaron a los expertos para obtener su opinión y los factores influyentes finales se determinaron en función de sus comentarios. En el segundo paso, se recogieron datos de los pacientes de la unidad de triaje de un hospital cardíaco especializado. En el tercer y último paso, los datos recopilados se preprocesaron y luego se analizaron utilizando métodos de aprendizaje automático de bosque aleatorio (RF), regresión logística (LR), máquina de vectores de soporte (SVM), K-vecinos más cercanos (KNN) y aumento de gradiente (GB).
RESULTADOS: Después de revisar la literatura y encuestar a expertos, finalmente se identificaron los factores confirmados y se recopilaron datos relacionados con 1862 pacientes. El 52% de los participantes en este estudio eran hombres. RF logró el rendimiento más alto con una precisión de prueba del 93,57 %, Kappa de Cohen de 0,82 y una puntuación F1 ponderada de 0,93, seguido de GB (precisión = 90,08 %, Kappa = 0,73) y SVM (precisión = 86,6 %, Kappa = 0,66). Los factores más influyentes en los niveles de clasificación de los pacientes incluyeron: el tipo de condición de alto riesgo que eleva a un paciente al Nivel 2, la necesidad de una intervención para salvarle la vida, tener condiciones de alto riesgo (qué condición), el motivo principal, el nivel de conciencia y las enfermedades.
CONCLUSIÓN: En este estudio, se utilizaron cinco modelos de aprendizaje automático para la clasificación de pacientes que presentaban síntomas relacionados con el corazón. Los resultados del estudio indicaron que estos algoritmos tenían una buena capacidad para discriminar entre pacientes con diferentes niveles de clasificación. El método Random Forest funcionó ligeramente mejor que las otras técnicas. Estas técnicas se pueden utilizar para diferenciar entre pacientes de bajo y alto riesgo y para asignar recursos a pacientes de alto riesgo.
PubMed:41331797 | DOI:10.1186/s12873-025-01427-1