J Medicina de cuidados intensivos. 29 de octubre de 2025: 8850666251390848. Revista: 10.1177/08850666251390848. En línea antes de imprimir.
ANTECEDENTES: La lesión renal aguda (IRA), una de las principales causas de insuficiencia orgánica en pacientes críticos, exige una identificación temprana de alto riesgo para mejorar los resultados. Sin embargo, faltan análisis comparativos de modelos de aprendizaje automático (ML) de diagnóstico y pronóstico en múltiples períodos posteriores a la admisión.
MÉTODOS: Utilizando MIMIC-IV, utilizamos el algoritmo de Boruta para la selección de características, desarrollando y comparando seis modelos de ML para predecir el riesgo de IRA a las 0-24, 24-48, 48-72, 0-48 y 0-72 h después del ingreso a la UCI. El rendimiento del modelo se evaluó utilizando el área bajo la curva (AUC) y la matriz de confusión. Los análisis de la curva de decisión y de calibración evaluaron la aplicabilidad clínica. Comparamos modelos con evaluación secuencial de insuficiencia orgánica (SOFA) y puntuaciones SAPSII para evaluar la precisión de los modelos ML. Finalmente, los valores de Shapley Additive Explanations (SHAP) interpretaron y visualizaron características clave del modelo óptimo.
RESULTADOS: Nuestro estudio involucró a 2092 pacientes de la Unidad de Cuidados Intensivos (UCI) de trauma. Utilizando las 17 características seleccionadas de las 48 entre pacientes traumatizados 24 h después de los ingresos a la UCI, entre los seis modelos de ML y dos sistemas de puntuación, todos los modelos de ML superaron a SOFA y SAPS II, y el refuerzo de gradiente extremo (XGBoost) mostró el mejor rendimiento, logrando un AUC de 0,948 (IC del 95 % [0,929-0,966]) para la predicción de IRA dentro de las 24 h posteriores al ingreso, con un AUC de 0,941 ([0,892-0,917]) y 0,878 ([0,863-0,892]) en los períodos de 0-48 y 0-72 h, respectivamente. Sin embargo, sus precisiones predictivas fueron muy limitadas a las 24-48 h (AUC 0,602 [0,562-0,643]) y a las 48-72 h (AUC 0,490 [0,429-0,551]), respectivamente. La producción de orina por kilogramo por hora a las 6 y 12 h y la edad fueron las características más importantes identificadas mediante el análisis SHAP.
CONCLUSIONES: Nuestro estudio encontró que los modelos ML sobresalen en el diagnóstico del riesgo de IRA en pacientes traumatizados en la UCI, pero tienen una precisión pronóstica limitada a las 24-48 y 48-72 h después del ingreso. Se necesita más investigación para mejorar esto utilizando modelos de aprendizaje automático de series temporales con ventanas óptimas.
PubMed:41160504 | Revista:10.1177/08850666251390848