Pronóstico del manejo de la enfermedad de síncope en el departamento de urgencias usando algoritmos de Machine Learning

Abstract

El síncope es una enfermedad alarmante y una causa frecuente de evaluación en la sala de urgencias, donde no se cuenta con herramientas eficientemente rápidas para su manejo. La predicción temprana del ingreso y el manejo acertado de la enfermedad, permitiría: ahorrar tiempo, recursos y la personalización de la atención. La finalidad de este trabajo es usar machine learning para crear modelos de clasificación binaria que permitan, tras la estratificación de riesgo de la enfermedad, pronosticar: si un paciente necesita hospitalización, si necesita ser admitido en la UCI y su probable fallecimiento durante la atención sanitaria. Es un tema del que poco se concreta en la bibliografía científica accedida, aún así en esta investigación se explotan las bibliotecas de python siguiendo una metodología de trabajo elaborada. A pesar de no contar con una interpretación médica profunda de los errores en los datos, como resultado de esta investigación se obtuvo un modelo de alto rendimiento para el el pronóstico de la hospitalización de pacientes, no así para los otros dos pronósticos. Con este punto de partida, se cree que se pueden obtener mejores resultados en trabajos futuros.

Syncope is an alarming disease and a frequent cause of evaluation in the emergency department, where there are no efficient rapid tools for its management. The early prediction of admission and the correct management of the disease, would: save time, resources and the personalization of attention. The purpose of this work is to use machine learning to create binary classification models that allow, after disease risk stratification, to predict: if a patient needs hospitalization, if they need to be admitted to the ICU (Intensive Care Unit) and their probable death during health care. It is a topic about which little is specified in the scientific bibliography accessed, even so in this research the python libraries are exploited following an elaborate work methodology. Although not having a deep medical interpretation of those data noise, as a result of this research a high-performance model was obtained for the prognosis of patient hospitalization, not so for the other two prognoses. With this starting point, it is believed that better results can be obtained in future works.