Predicción de resultados en pacientes hospitalizados por COVID-19
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1362Palabras clave:
Explainable, Resultado COVID-19, Machine LearningResumen
Objetivo: Este estudio tiene como objetivo evaluar la eficacia de los modelos de Machine Learning (ML) en la predicción de resultados para pacientes diagnosticados de COVID-19 considerando datos de historias clínicas y pruebas. Método: Se investigaron diversos algoritmos de ML y técnicas explicables sobre datos de evolución clínica de pacientes ingresados en el Hospital Universitario Pedro Ernesto (HUPE) durante 2020 y 2021. Resultados: El modelo Random Forest resultó ser el más eficiente, con una precisión del 74% en la etapa de validación. Además, las técnicas basadas en Inteligencia Artificial Explicable muestran que los cambios en el número de barras y la prescripción de noradrenalina fueron las variables que mayor impacto tuvieron en la predicción de resultados. Conclusión: Los resultados animan a las instituciones sanitarias a utilizar métodos basados en el apoyo a la toma de decisiones para organizar o incluso priorizar la atención a sus pacientes.
Citas
Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: Data mining, inference, and prediction. In Springer, chapter 15; 2009. DOI: https://doi.org/10.1007/978-0-387-84858-7
Quinlan J R. Induction of decision trees. Machine Learning. 1986;1(1):81–106. DOI: https://doi.org/10.1007/BF00116251
Breiman L. Random Forests. Machine Learning. 2001; 45 (1):5–32. DOI: https://doi.org/10.1023/A:1010933404324
Chen T, Guestrin C. Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD’16, New York, NY, USA. Association for Computing Machinery. 2016; 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Fukushima K, Miyake S. Neocognitron: A Self-Organizing Neural Network Model for a Mechanism of Visual Pattern Recognition. Competition and Cooperation in Neural Nets. Lecture Notes in Biomathematics. v 45. Springer. 1986;267–285. DOI: https://doi.org/10.1007/978-3-642-46466-9_18
Haykin S. Redes Neurais. 2ed. Bookman; 2001.
Lundberg SM, Lee S-I. A unified approach to interpreting model predictions. In Guyon, I., Luxburg, U. V., Bengio, S., Wallach, H., Fergus, R., Vishwanathan, S., and Garnett, R., editors, Advances in Neural Information Processing Systems. Curran Associates, Inc.; v.30; 2017.
Silva AO, Santos BS, Tondato R, Lima RHP. Uso de machine learning para previsão da evolução de casos de srag incluindo casos de COVID-19 considerando variáveis clínicas e demográficas. Trabalho de conclusão de curso. Universidade Tecnológica Federal do Paraná (RIUT); 2021.
Wollenstein-Betech S, Silva AAB, Fleck JL, Cassandras CG, Paschalidis IC. Physiological and socioeconomic characteristics predict COVID-19 mortality and resource utilization in Brazil. PLOS ONE; 2020;15(10):e0240346. DOI: https://doi.org/10.1371/journal.pone.0240346
Hu C, Liu Z, Jiang Y, Shi O, Zhang X, Xu K, Suo C, Wang Q, Song Y, Yu K, Mao X, Wu X, Wu M, Shi T, Jiang W, Mu L, Tully DC, Xu L, Jin L, Li S, Tao X, Zhang T, Chen X. Early prediction of mortality risk among patients with severe COVID-19, using machine learning. International Journal of Epidemiology. 2020; 49(6):1918–1929. DOI: https://doi.org/10.1093/ije/dyaa171
Hastie T, tibshirani R. Generalized Additive Models. Chapman & Hall/CRC Monographs on Statistics & Applied Probability. Taylor & Francis; 1990.
Stone M. Cross-Validatory Choice and Assessment of Statistical Predictions". Journal of the Royal Statistical Society, Series B (Methodological). 1974; 36 (2): 111–147. DOI: https://doi.org/10.1111/j.2517-6161.1974.tb00994.x
Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. 2002;16: 321–357. DOI: https://doi.org/10.1613/jair.953
Goutte C, Gaussier E. A probabilistic interpretation of precision, recall and f-score, with implication for evaluation. In Losada, D. E. and Fernández-Luna, J. M., editors, Advances in Information Retrieval. Springer Berlin Heidelberg. 2005; 345–359. DOI: https://doi.org/10.1007/978-3-540-31865-1_25
Liu H, Motoda, H. Perspectives of Feature Selection. Springer US, Boston, MA. 1998; 17-41. DOI: https://doi.org/10.1007/978-1-4615-5689-3_2
Holanda WD, Silva LC, César Sobrinho AAC. Estratégias Preditivas na Detecção do Agravamento do Quadro Clínico de Pacientes com COVID-19: Uma Revisão de Escopo J. Health Inform. 2021 Outubro-Dezembro; 13(4): 128-32.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
