Aplicación de algoritmos de machine learning para la predicción automática del grado de sedación y analgesia en el paciente de UCI

Abstract

El ajuste adecuado de la analgesia y la sedación es fundamental en el cuidado del paciente crítico. No solo ayuda a prevenir complicaciones, sino también es un elemento clave para asegurar su bienestar y conseguir una pronta recuperación. Sin embargo, lograr un control preciso de estos parámetros no es una tarea sencilla. Las condiciones fisiopatológicas de cada paciente, sumadas a la dependencia de escalas subjetivas para evaluar el nivel de sedación dificultan significativamente la labor. Ante esta problemática, se han investigado métodos de automatización de la evaluación del nivel de sedación mediante el análisis de la señal de EEG. No obstante, su implementación en UCI sigue siendo limitada debido al elevado volumen de datos que genera y a la complejidad inherente de su interpretación, que generalmente requiere la intervención de un neurofisiólogo. Por otro lado, una de las herramientas objetivas más utilizadas para estimar el grado de conciencia del paciente es el BIS. A pesar de su utilidad, su uso se reserva para casos muy concretos debido al coste y carga de trabajo adicional que implicaría al personal sanitario. En este contexto, el objetivo de este Trabajo Fin de Grado es desarrollar un modelo predictivo que permita clasificar automáticamente a los pacientes en tres grupos: infrasedados, sobresedados y sedación adecuada. Para ello, se analizarán distintas variables clínicas y sociodemográficas mediante diversas técnicas de aprendizaje automático. Además, con el fin de buscar potencial nuevo conocimiento relacionado con la adecuación de la dosis de sedación, se identificarán las características más relevantes para la predicción de dichas clases a través de técnicas de Inteligencia Artificial Explicable. La base de datos utilizada se construyó a partir de información recopilada de 100 pacientes ingresados en la UCI del Hospital Clínico Universitario de Valladolid. El nivel de sedación fue evaluado por dos profesionales médicos, cuyas valoraciones sirvieron como gold standard para el entrenamiento de los modelos. Previo a este proceso, se llevó a cabo el preprocesamiento del conjunto de datos, incluyendo la limpieza, imputación de valores faltantes y análisis estadístico descriptivo. Posteriormente, se aplicó Fast Correlation-Based Filter para la selección de características, y se desarrollaron seis modelos de clasificación basados en regresión logística, análisis discriminante lineal y Adaboost. Finalmente, sobre el modelo de mejor desempeño, se calcularon los shapley values para interpretar la importancia de cada variable en las predicciones realizadas. Los resultados indicaron que el modelo AdaBoostM2 entrenado con el target 2 era capaz de clasificar a los pacientes con una accuracy del 66% y un índice Kappa del 0.33, lo que supone una mejora de 0.14 respecto al grado de concordancia entre las dos valoraciones de los profesionales. A demás, este modelo utilizó únicamente seis variables y no requirió del uso del BIS, lo que demuestra su potencial para automatizar la clasificación del nivel de sedación sin depender de este dispositivo. El análisis de los shapley values reveló que bastaba con cinco variables para realizar predicciones acertadas, siendo el peso del paciente la más relevante. Este hallazgo resulta interesante, ya que, si bien el peso corporal puede influir en la farmacocinética de los sedantes, no suele considerarse una de las variables más determinantes en la práctica clínica para evaluar el nivel de sedación. Gracias a la elaboración de este trabajo, se ha conseguido automatizar la clasificación de pacientes en función del nivel de sedación. El modelo desarrollado no solo supera el grado de concordancia entre clínicos, sino que también prescinde del uso del BIS, ofreciendo así una herramienta accesible y eficiente. Este avance puede facilitar un control más preciso de las dosis administradas, reducir los riesgos asociados a una sedación inadecuada y contribuir a una atención personalizada y más segura para los pacientes críticos.