
Autores:
GAMBARTE, María Jimena | BORRACCI, Raúl Alfredo | HIGA, Claudio | NOVO, Fedor | CIAMBRONE, Graciana Maria | TUPAYACHI VILLAGOMEZ, Omar Darío | GINESI, Agustina | DONATO, María Sol Hospital Alemán
Resumen
Se propuso desarrollar y validar un modelo basado en algoritmos de redes neuronales (RN) destinado a mejorar el rendimiento de los modelos tradicionales (áreas bajo la curva ROC que oscilan entre 0.59 y 0.80) para predecir la mortalidad a corto plazo de pacientes con IC aguda.
Se analizó una base de datos clínica de 483 pacientes ingresados en forma prospectiva con diagnóstico de IC aguda en un hospital de comunidad de Buenos Aires, un período entre junio de 2005- junio de 2019. Se utilizaron 25 variables para calcular cinco modelos de riesgo de IC aguda destinados a predecir la mortalidad a 30 días, 6 meses y un año (EFFECT4, ADHERE3, GWTG-HF5, 3C-HF7 y ACUTE-HF).
De los algoritmos de RN los mejores resultados se obtuvieron con un perceptrón multicapa (PMC) con dos capas ocultas con los siguientes resultados: ROC:0.82, valor predictivo negativo (VPN):93.2% y valor predictivo positivo (VPP):66.7% para mortalidad a 30 días; ROC:0.87, VPN:89.1% y VPP:78.6% para mortalidad a 6 meses; y ROC:0.85, VPN:85.6% y VPP:78.9% para mortalidad al año. En términos de discriminación, los algoritmos de RN superaron a todos los rendimientos de puntajes tradicionales (Hanley-McNeil p<0.001).