Predicción del pronóstico adverso fatal en pacientes con enfermedades relacionadas con fiebre basada en aprendizaje automático: un estudio retrospectivo
La fiebre es uno de los principales motivos de consulta en los servicios de urgencias y representa un proceso fisiopatológico asociado a numerosas enfermedades febriles. Puede ser síntoma de condiciones infecciosas y no infecciosas, como sepsis, neoplasias, isquemia tisular, accidentes cerebrovasculares y enfermedades autoinmunes. La identificación temprana de pacientes con mayor riesgo de muerte debido a enfermedades relacionadas con fiebre es crucial para prevenir desenlaces adversos. Sin embargo, la complejidad de estas enfermedades dificulta el diagnóstico y la predicción de resultados clínicos mediante métodos tradicionales. Este estudio tuvo como objetivo desarrollar un modelo predictivo temprano de pronóstico adverso fatal en pacientes febriles utilizando tecnología de big data y algoritmos de aprendizaje automático.
Antecedentes y relevancia
Eventos de salud pública como el síndrome respiratorio agudo grave (SARS) han destacado la importancia de la detección temprana de enfermedades febriles. Sin embargo, ningún biomarcador único permite diagnosticar sepsis o predecir su evolución. Los sistemas tradicionales de evaluación de gravedad, como el APACHE II, son complejos y no específicos para pacientes febriles. El aprendizaje automático ha mostrado superioridad frente a reglas clínicas tradicionales en la predicción de mortalidad intrahospitalaria en sepsis. Este estudio exploró factores clave asociados al pronóstico adverso en pacientes febriles y desarrolló un modelo predictivo mediante técnicas de aprendizaje automático.
Métodos
Diseño del estudio y recolección de datos
Se analizaron retrospectivamente datos clínicos de 28.400 pacientes admitidos en urgencias del Hospital General del Ejército Popular de Liberación de China entre noviembre de 2014 y marzo de 2018. Criterios de inclusión: temperatura ≥37.3°C y edad ≥12 años. Se excluyeron pacientes fallecidos dentro de las primeras 4 horas o con exámenes de laboratorio incompletos. La cohorte final incluyó 3.682 pacientes (3.474 con buen pronóstico y 208 con pronóstico adverso).
Se analizaron 39 variables demográficas, signos vitales y resultados de laboratorio registrados en las primeras 24 horas. Las variables con >30% de datos faltantes se eliminaron.
Análisis de datos y selección de características
Se aplicaron pruebas t y U de Mann-Whitney para comparar grupos. La eliminación recursiva de características (RFE) identificó 15 variables clave: frecuencia cardíaca (FC), frecuencia respiratoria (FR), presión arterial sistólica (PAS), diastólica (PAD), saturación de oxígeno (SpO2), temperatura (T), CK-MB, bilirrubina total (BT), LDH, amilasa (AMY), lipasa (LIP), troponina T (CTnT), potasio (K), proteínas totales (PT) y albúmina (ALB).
Modelos de aprendizaje automático
Se evaluaron cuatro algoritmos: regresión logística, bosque aleatorio, AdaBoost y bagging. El conjunto de datos se dividió en entrenamiento (70%) y validación (30%). El rendimiento se evaluó mediante precisión, puntuación F1, sensibilidad y área bajo la curva ROC (ROC-AUC). Se realizó validación cruzada de 10 iteraciones y validación externa con datos de diciembre 2018 a diciembre 2019.
Resultados
Análisis basal
El grupo con pronóstico adverso mostró valores significativamente mayores en FC, FR, CK-MB, LDH, AMY, CTnT y K, y menores en PT y ALB (p <0,05).
Rendimiento de los modelos
En entrenamiento, la regresión logística alcanzó mayor precisión (0,951) y el bagging mejor ROC-AUC (0,885). En validación externa, el árbol de decisiones mostró precisión de 0,901 y el bagging ROC-AUC de 0,863. La regresión logística identificó CTnT (OR:1,413), T, FR, K, SpO2 y ALB como predictores clave.
Discusión
Los modelos demostraron que CTnT, marcador de daño miocárdico, fue el predictor más significativo. La hipoalbuminemia y alteraciones en electrolitos (K, Na) mostraron relevancia pronóstica. Signos vitales como FR y SpO2 tuvieron valor clínico importante. El modelo de bagging destacó por su sensibilidad (0,762), siendo útil para identificación temprana de pacientes críticos.
Limitaciones
- La heterogeneidad etiológica de la fiebre no permitió evaluar la precisión para causas específicas
- El diseño retrospectivo y tamaño muestral limitan la generalización de resultados
Conclusión
Este estudio desarrolló un modelo predictivo de pronóstico adverso en pacientes febriles con rendimiento satisfactorio (ROC-AUC:0,863 en validación externa). La integración de parámetros clínicos y biomarcadores mediante aprendizaje automático ofrece herramientas valiosas para la toma de decisiones en urgencias. Futuros estudios prospectivos deberán validar estos hallazgos en poblaciones más diversas.
doi.org/10.1097/CM9.0000000000000675