Resumen

Objetivo. Lograr una predicción precisa del momento de detección de la sepsis a partir de los datos del monitor de cabecera en la unidad de cuidados intensivos (UCI). Un buen resultado clínico es más probable cuando el inicio se sospecha y se trata a tiempo, por lo que una visión precoz del inicio de la sepsis puede salvar vidas y reducir costes. Metodología. Presentamos un enfoque novedoso para la extracción de características, que se centra en la hipótesis de que los pacientes inestables son más propensos a desarrollar sepsis durante su estancia en la UCI. Estas características se utilizan en algoritmos de aprendizaje automático para proporcionar una predicción de la probabilidad de que un paciente desarrolle sepsis durante su estancia en la UCI, horas antes de que se diagnostique. Resultados. Se implementaron cinco algoritmos de aprendizaje automático utilizando paquetes de software R. Los algoritmos se entrenaron y probaron con un conjunto de 4 características que representan la variabilidad de los signos vitales. El objetivo de estos algoritmos era calcular la probabilidad de que un paciente se convirtiera en séptico en las próximas 4 horas, basándose en los registros de las últimas 8 horas. La mejor área bajo la curva (AUC) se obtuvo con la máquina de vectores de soporte (SVM) con función de base radial, que fue del 88,38%. Conclusiones. El alto nivel de exactitud predictiva junto con la simplicidad y disponibilidad de variables de entrada presentan un gran potencial si se aplican en las UCI. La variabilidad de las constantes vitales de un paciente resulta ser un buen indicador de las posibilidades de que se produzca una sepsis durante su estancia en la UCI.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:Estancia en la UCI, algoritmos, horas, paciente, constantes vitales, paquetes de software R, Support Vector Machine, datos del monitor de cabecera, buen resultado clínico, unidad de cuidados intensivos.
• Keywords:ICU stay, algorithms, hours, patient, vital signs, R software packages, Support Vector Machine, bedside monitor data, good clinical outcome, intensive care unit