Información de la revista
Compartir
Compartir
Descargar PDF
Más opciones de artículo
ePub
Visitas
50
ORIGINAL
Disponible online el 20 de Agosto de 2023
¿Podrían ayudarnos los algoritmos de machine learning en la predicción de hemorragia masiva a nivel prehospitalario?
Could machine learning algorithms help us in predicting massive hemorrhage at the prehospital level?
Visitas
50
Marcos Valiente Fernándeza,
Autor para correspondencia
mvalientefernandez@gmail.com

Autor para correspondencia.
, Carlos García Fuentesa, Francisco de Paula Delgado Moyaa, Adrián Marcos Moralesa, Hugo Fernández Hervása, Jesús Abelardo Barea Mendozaa, Carolina Mudarra Rechea, Susana Bermejo Aznáreza, Reyes Muñoz Calahorroa, Laura López Garcíaa, Fernando Monforte Escobarb, Mario Chico Fernándeza
a UCI de Trauma y Emergencias, Hospital Universitario 12 de Octubre, Madrid, España
b Servicio de Asistencia Municipal de Urgencia y Rescate (SAMUR)-Protección Civil,Madrid, España
Este artículo ha recibido
Recibido 15 abril 2023. Aceptado 21 junio 2023
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (5)
Mostrar másMostrar menos
Tablas (1)
Tabla 1. Explicación general de los algoritmos de machine learning
Material adicional (1)
Resumen
Objetivo

Comparación de la capacidad predictiva de diferentes algoritmos de machine learning (AML) respecto a escalas tradicionales de predicción de hemorragia masiva en pacientes con enfermedad traumática grave (ETG).

Diseño

Sobre una base de datos de una cohorte retrospectiva con variables clínicas prehospitalarias y de resultado de hemorragia masiva se realizó un tratamiento de la base de datos para poder aplicar los AML, obteniéndose un conjunto total de 473 pacientes (80% entrenamiento, 20% validación). Para la modelización se realizó imputación proporcional y validación cruzada. El poder predictivo se evaluó con la métrica ROC y la importancia de las variables mediante los valores Shapley.

Ámbito

Atención extrahospitalaria del paciente con ETG.

Pacientes

Pacientes con ETG atendidos en el medio extrahospitalario por un servicio médico extrahospitalario desde enero de 2010 hasta diciembre de 2015 y trasladados a un centro de trauma en Madrid.

Intervenciones

Ninguna.

Variables de interés principales

Obtención y comparación de la métrica ROC de 4 AML: random forest, support vector machine, gradient boosting machine y neural network con los resultados obtenidos con escalas tradicionales de predicción.

Resultados

Los diferentes AML alcanzaron valores ROC superiores al 0,85, teniendo medianas cercanas a 0,98. No encontramos diferencias significativas entre los AML. Cada AML ofrece un conjunto de variables diferentes, pero con predominancia de las variables hemodinámicas, de reanimación y de deterioro neurológico.

Conclusiones

Los AML podrían superar a las escalas tradicionales de predicción en la predicción de hemorragia masiva.

Palabras clave:
Trauma
Prehospitalaria
Scores clínicos
Machine learning
Hemorragia masiva
Abstract
Objective

Comparison of the predictive ability of various machine learning algorithms (MLA) versus traditional prediction scales for massive hemorrhage in patients with severe traumatic injury (ETG).

Design

On a database of a retrospective cohort with prehospital clinical variables and massive hemorrhage outcome, a treatment of the database was performed to be able to apply the different MLA, obtaining a total set of 473 patients (80% training and 20% validation). For modeling, proportional imputation and cross validation were performed. The predictive power was evaluated with the ROC metric and the importance of the variables using the Shapley values.

Setting

Out-of-hospital care of patients with ETG.

Participants

Patients with ETG treated out-of-hospital by a prehospital medical service from January 2010 to December 2015 and transferred to a trauma center in Madrid.

Interventions

None.

Main variables of interest

Obtaining and comparing the ROC curve metric of 4 MLAs: random forest, support vector machine, gradient boosting machine and neural network with the results obtained with traditional prediction scales.

Results

The different MLA reached ROC values higher than 0.85, having medians close to 0.98. We found no significant differences between MLAs. Each MLA offers a different set of more important variables with a predominance of hemodynamic, resuscitation variables and neurological impairment.

Conclusions

MLA may be helpful in patients with massive hemorrhage by outperforming traditional prediction scales.

Keywords:
Trauma
Prehospital
Clinical scores
Machine learning
Massive hemorrhage

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

Comprar
Comprar acceso al artículo

Comprando el artículo el PDF del mismo podrá ser descargado

Precio 19,34 €

Comprar ahora
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
932 415 960
Llamadas desde fuera de España
+34 932 415 960
Email
Idiomas
Medicina Intensiva
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?