Aplicación de algoritmos de machine learning para predecir el riesgo de deterioro en pacientes sépticos

Abstract

La sepsis y el shock séptico constituyen una de las principales causas de mortalidad en las unidades de cuidados intensivos (UCI), con tasas que oscilan entre el 25-30% a nivel mundial. La identificación temprana de pacientes de alto riesgo representa un desafío clínico crítico debido a la necesidad de una rápida actuación ante la afección y la rápida progresión de esta patología. En este contexto, los modelos predictivos basados en machine learning han emergido como herramientas prometedoras para mejorar la estratificación de riesgo y optimizar la toma de decisiones clínicas. En este trabajo, entendemos “riesgo” como la probabilidad de mortalidad temprana (60 días tras el ingreso en UCI), categorizada en dos grupos: riesgo alto (pacientes fallecidos en ese intervalo) y riesgo bajo (pacientes supervivientes). El objetivo principal de este trabajo fue desarrollar y evaluar modelos predictivos de riesgo para pacientes con sepsis ingresados en UCI, comparando diferentes algoritmos de clasificación y técnicas de balanceo de clases, así como analizar la interpretabilidad de los modelos mediante técnicas de inteligencia artificial explicable (XAI).