BMC Emerg Med. 28 de noviembre de 2025;25(1):248. doi: 10.1186/s12873-025-01402-w.

ANTECEDENTES: La sepsis representa una amenaza significativa en situaciones de emergencia, lo que requiere herramientas para una evaluación temprana e interpretable del riesgo. Este estudio tuvo como objetivo desarrollar un modelo robusto de máquina de refuerzo explicable (EBM), una de las tecnologías de inteligencia artificial explicable (XAI), para construir un modelo predictivo que equilibre la alta precisión y la interpretabilidad clínica para su uso en departamentos de emergencia (DE) y examinar biomarcadores candidatos.

MÉTODOS: El estudio identificó un importante problema de desequilibrio de clases en la distribución de la sepsis entre 560 pacientes con sepsis y 1012 pacientes sin sepsis. Para abordar el problema del desequilibrio, se aplicó SMOTE-NC en los datos de entrenamiento. Los datos se dividieron en dos partes, 80% de entrenamiento y 20% de pruebas. Para garantizar la confiabilidad de los modelos e informar resultados imparciales, este proceso se repitió 100 veces y se informó el rendimiento promedio. Para determinar el mejor modelo para la predicción de la sepsis, se entrenaron cinco modelos diferentes (AdaBoost, Gradient Boosting, CatBoost, LightGBM y EBM) y se evaluó su rendimiento. En la última etapa, presentamos explicaciones locales y globales de la EBM.

RESULTADOS: El modelo EBM logró el mayor éxito al alcanzar un 79,1 % de puntuación F1, un 80,9 % de sensibilidad y un 84,8 % de AUC después del remuestreo. En las explicaciones globales, las variables con mayor peso en el proceso de decisión del modelo fueron identificadas como hemocultivo positivo, saturación de oxígeno y procalcitonina, respectivamente.

CONCLUSIÓN: El modelo de MBE predice con precisión el riesgo de sepsis basándose en biomarcadores clínicamente relevantes. El alto rendimiento y la transparencia inherente del modelo pueden fomentar la confianza entre los médicos y facilitar su integración en los flujos de trabajo del departamento de emergencias para respaldar las decisiones en tiempo real.

PubMed:41315982 | DOI:10.1186/s12873-025-01402-w