Publique en esta revista
Información de la revista
Compartir
Compartir
Descargar PDF
Más opciones de artículo
ePub
Visitas
29
Original article
DOI: 10.1016/j.medin.2018.07.016
Disponible online el 21 de Septiembre de 2018
A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis
Modelo para la predicción de la mortalidad a un año en pacientes ingresados en una unidad de cuidados intensivos con diagnóstico de sepsis
Visitas
29
J.E. García-Galloa,
Autor para correspondencia
jesteban.garcia@udea.edu.co

Corresponding author.
, N.J. Fonseca-Ruizb,c, L.A. Celid, J.F. Duitama-Muñoza
a Engineering and Software Investigation Group, Universidad de Antioquia UdeA, Medellín, Colombia
b Critical and Intensive Care, Medellín Clinic, Medellín, Colombia
c Critical and Intensive Care Program, CES University, Medellín, Colombia
d Laboratory of Computational Physiology, Harvard-MIT Division of Health Sciences and Technology, Cambridge, USA
Este artículo ha recibido
29
Visitas
Recibido 09 abril 2018, Aceptado 25 julio 2018
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (6)
Mostrar másMostrar menos
Tablas (4)
Table 1. Extracted data from each admission.
Table 2. Description of the study cohort.
Table 3. LASSO selected predictors.
Table 4. Relative importance of intersection model.
Mostrar másMostrar menos
Abstract
Introduction

Sepsis is associated to a high mortality rate, and its severity must be evaluated quickly. The severity of illness scores used are intended to be applicable to all patient populations, and generally evaluate in-hospital mortality. However, patients with sepsis continue to be at risk of death after hospital discharge.

Objective

To develop a model for predicting 1-year mortality in critical patients diagnosed with sepsis.

Patients

The data corresponding to 5650 admissions of patients with sepsis from the Medical Information Mart for Intensive Care (MIMIC-III) database were evaluated, randomly divided as follows: 70% for training and 30% for validation.

Design

A retrospective register-based cohort study was carried out. The clinical information of the first 24h after admission was used to develop a 1-year mortality prediction model based on Stochastic Gradient Boosting (SGB) methodology. Variable selection was addressed using Least Absolute Shrinkage and Selection Operator (LASSO) and SGB variable importance methodologies. The predictive power was evaluated using the area under the ROC curve (AUROC).

Results

An AUROC of 0.8039 (95% confidence interval (CI): [0.8033 0.8045]) was obtained in the validation subset. The model exceeded the predictive performances obtained with traditional severity of disease scores in the same subset.

Conclusion

The use of assembly algorithms, such as SGB, for the generation of a customized model for sepsis yields more accurate 1-year mortality prediction than the traditional scoring systems such as SAPS II, SOFA or OASIS.

Keywords:
Prognosis prediction
Sepsis
Stochastic gradient boosting
Intensive care unit
Least absolute shrinkage and selection operator
Resumen
Introducción

La sepsis conlleva una elevada mortalidad, y su gravedad debe evaluarse rápidamente. Los sistemas utilizados para clasificar la intensidad de la enfermedad pretenden ser aplicables a todos los pacientes, y generalmente evalúan la mortalidad intrahospitalaria. Sin embargo, los pacientes con sepsis continúan estando en riesgo de muerte después del alta hospitalaria.

Objetivo

Desarrollar un modelo para la predicción de la mortalidad a un año de pacientes en UCI con diagnóstico de sepsis.

Pacientes

Se evaluaron los datos de 5650 admisiones de pacientes con sepsis de la base de datos Medical Information Mart for Intensive Care (MIMIC-III), los cuales fueron divididos aleatoriamente así: 70% para entrenamiento y 30% para validación.

Diseño

Estudio retrospectivo de cohorte basado en registros. Se utilizó la información clínica de las primeras 24 horas después de la admisión para desarrollar un modelo de predicción de mortalidad a un año basado en la metodología Stochastic Gradient Boosting (SGB). La selección de variables se abordó utilizando las metodologías Least Absolute Shrinkage and Selection Operator (LASSO) e importancia de variables por SGB. El poder predictivo del modelo fue evaluado usando el AUROC.

Resultados

Se obtuvo un AUROC de 0.8039 (intervalo de confianza [IC] del 95%: [0.8033-0.8045]). El modelo supera los resultados obtenidos con algunos puntajes tradicionales en el mismo subconjunto de validación.

Conclusión

El uso de algoritmos de ensamblaje, como SGB, para la generación de un modelo adaptado para la sepsis, proporcionan estimaciones de mortalidad a un año más precisas que los sistemas de puntuación tradicionales como SAPS II, SOFA u OASIS.

Palabras clave:
Predicción de pronóstico
Sepsis
Stochastic Gradient Boosting
Unidad de Cuidados Intensivos
Least Absolute Shrinkage and Selection Operator

Artículo

Opciones para acceder a los textos completos de la publicación Medicina Intensiva
Socio
Si es usted socio de la Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias:
Diríjase al área de socios de la web de la SEMICYUC (www.semicyuc.org ) y pulse el enlace a la revista.
Suscriptor
Suscriptor de la revista

Si ya tiene sus datos de acceso, clique aquí.

Si olvidó su clave de acceso puede recuperarla clicando aquí y seleccionando la opción "He olvidado mi contraseña".
Suscribirse
Suscribirse a:

Medicina Intensiva

Contactar
Teléfono para suscripciones e incidencias
De lunes a viernes de 9h a 18h (GMT+1) excepto los meses de julio y agosto que será de 9 a 15h
Llamadas desde España
902 88 87 40
Llamadas desde fuera de España
+34 932 418 800
Email
Idiomas
Medicina Intensiva

Suscríbase a la newsletter

Opciones de artículo
Herramientas
Material suplementario
es en

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

es en
Política de cookies Cookies policy
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí. To improve our services and products, we use "cookies" (own or third parties authorized) to show advertising related to client preferences through the analyses of navigation customer behavior. Continuing navigation will be considered as acceptance of this use. You can change the settings or obtain more information by clicking here.