La colangitis aguda por colelitiasis (CIAC) es una enfermedad inflamatoria aguda de mal pronóstico

Este estudio tiene como objetivo crear modelos de aprendizaje automático (ML) para predecir resultados en pacientes con CIAC.

En este estudio retrospectivo de cohorte y ML, según la Clasificación Internacional de Enfermedades (CIE ) revisado a la novena edición, cumpliendo el diagnóstico de "colangitis" y "cálculos en la vesícula o vías biliares" al mismo tiempo, o cumpliendo el diagnóstico de "cálculos en las vías biliares con colangitis aguda con o sin obstrucción" durante una sola hospitalización según La décima edición de ICD Patients se incluyó en la base de datos Critical Care Medicine Information Mart, que registra las admisiones de pacientes al Centro Médico Beth Israel Deaconess en Massachusetts, EE. UU., entre el 1 de junio de 2001 y el 16 de noviembre de 2022.

El estudio se centró en tres criterios de valoración principales, incluida la mortalidad hospitalaria, el reingreso dentro de los 30 días posteriores al alta y la mortalidad dentro de los 180 días posteriores al alta.

Para mitigar el sesgo que surge de los datos faltantes, se excluyeron los factores que mostraban más del 20% de valores faltantes durante la etapa de recopilación de datos.

Se emplearon técnicas de imputación múltiple (IM) para tener en cuenta los valores faltantes en las variables restantes para el análisis.

Las variables asociadas de forma independiente con el resultado se identificaron mediante regresión logística univariada en un subconjunto de pacientes con CIAC en entrenamiento.

Se excluyeron los pacientes que ingresaron por motivos no urgentes, que no se sometieron a drenaje biliar dentro de las 24 horas posteriores al ingreso, que eran menores de 18 años y cuya pérdida de información superó el 20%.

Se utilizaron nueve métodos de aprendizaje automático para predecir la mortalidad hospitalaria de los pacientes, la tasa de reingreso dentro de los 30 días posteriores al alta y la mortalidad dentro de los 180 días posteriores al alta.

Seleccione los pacientes que fueron tratados en el Hospital Zhongda afiliado a la Universidad del Sureste desde el 1 de enero de 2019 hasta el 30 de julio de 2023 como conjunto de validación externa.

El área bajo la curva característica operativa del receptor es el principal indicador para la evaluación del desempeño del modelo.

Se incluyeron un total de 1156 pacientes para construir el modelo.

Los análisis se estratificaron para todos los pacientes, los pacientes ingresados ​​en la unidad de cuidados intensivos (UCI) y los pacientes que se sometieron a drenaje biliar durante el tratamiento en la UCI.

Seleccione entre 13 y 16 funciones de 186 variables para el entrenamiento del modelo

El método XGBoost mostró el mejor rendimiento de predicción, con AUROC del conjunto de entrenamiento de 0,996 (tasa de mortalidad hospitalaria), 0,886 (tasa de reingreso dentro de los 30 días posteriores al alta) y 0,988 (tasa de mortalidad dentro de los 180 días posteriores al alta).

0,998, 0,933 y 0,988 (pacientes ingresados ​​en UCI)

0,987, 0,908 y 0,982 (pacientes sometidos a drenaje biliar durante el tratamiento en UCI)

En el conjunto de validación interna, el AUROC para la mortalidad hospitalaria de todos los pacientes alcanzó 0,967, el AUROC para la tasa de reingreso dentro de los 30 días posteriores al alta alcanzó 0,589 y el AUROC para la mortalidad dentro de los 180 días posteriores al alta alcanzó 0,857

El AUROC de pacientes ingresados ​​en UCI alcanzó 0,963, 0,668, 0,864

El AUROC de los pacientes sometidos a drenaje biliar durante el tratamiento en la UCI alcanzó 0,961, 0,669 y 0,828

Los valores AUROC del conjunto de validación externa compuesto por 61 pacientes fueron 0,741, 0,812 y 0,848 respectivamente.

Se espera que el modelo XGBoost se convierta en una herramienta para predecir el pronóstico de los pacientes con CIAC y tenga una buena aplicabilidad clínica.

Se creó una serie de plataformas de predicción en línea fáciles de usar basadas en el modelo XGBoost, que puede rastrear múltiples resultados clínicos a corto o largo plazo de pacientes con CIAC, lo que requiere una validación adicional con cohortes multicéntricas y tamaños de muestra más grandes.

Incluye las características iniciales de todos los pacientes.

Diferentes resultados corresponden a diferentes categorías de pacientes

Los mejores algoritmos de aprendizaje automático para predecir diversos resultados correspondientes a categorías de pacientes

Enlace a una herramienta web que predice diferentes resultados para pacientes con CIAC

Diagrama de flujo general del estudio (a)

Diagrama algorítmico del estudio (b)

Selección de funciones basada en el algoritmo SelectFromModel

Para todos los pacientes ingresados ​​en la UCI y los pacientes que recibieron drenaje biliar durante el tratamiento en la UCI, se seleccionaron 16, 13, 15 y 15, 14 y 16 variables respectivamente al construir el modelo de predicción de mortalidad hospitalaria y reingreso dentro de los 30 días posteriores al ingreso. .

Después de un análisis exhaustivo de todos los pacientes, se encontró que 13 variables clave tienen el mayor impacto en la aparición de muerte hospitalaria.

El eje horizontal representa el nombre de cada variable y el eje vertical representa la importancia de cada variable.

Resultados para todos los pacientes (a-c): mortalidad hospitalaria, reingreso dentro de los 30 días posteriores al alta y mortalidad dentro de los 180 días posteriores al alta

Resultados de los pacientes ingresados ​​en la UCI (d – f)

Resultados de los pacientes sometidos a drenaje biliar durante el tratamiento en la UCI (g-i)

Curvas ROC y curvas PR de nueve modelos.

Análisis de la curva de decisión de XGBoost y el modelo con el efecto de predicción más controvertido excepto XGBoost

Resultados para todos los pacientes: mortalidad hospitalaria (a), reingreso dentro de los 30 días posteriores al alta (b), mortalidad dentro de los 180 días posteriores al alta (c)

Ejemplos de uso de herramientas web

Predicción de la mortalidad hospitalaria ingresando 15 parámetros clínicos de pacientes individuales sometidos a drenaje biliar durante la atención en la UCI, lo que indica un mal pronóstico

Curvas características de funcionamiento del receptor (a-f) y curvas de recuperación de precisión (g-l) de los nueve modelos

Análisis de la curva de decisión de XGBoost y el modelo con el efecto de predicción más controvertido excepto XGBoost

Curva característica de funcionamiento del receptor de XGBoost en un conjunto de validación externo

Características basales de los pacientes ingresados ​​en UCI (n=652)

Características basales de los pacientes intervenidos quirúrgicamente durante su estancia en UCI (n=614)

Tabla resumen de la relación de conversión entre las unidades de datos variables recopiladas por el Hospital Zhongda y las unidades de datos existentes en la base de datos MIMIC

Análisis de factores que conducen a diferentes resultados en todos los pacientes (n=1156)

Las diferencias en las características entre pacientes con diferentes resultados de pronóstico se detallan en la Tabla complementaria S4.

Características basales de los pacientes reingresados ​​dentro de los 30 días posteriores al alta (n=262)

Análisis factorial de si los pacientes reingresados ​​dentro de los 30 días murieron dentro de los 180 días posteriores al alta (regresión logística univariada, n=262)

Análisis factorial de si los pacientes que reingresaron dentro de los 30 días murieron dentro de los 180 días posteriores al alta (análisis de regresión logística multivariada, n=262)

Analizar si los pacientes reingresados ​​dentro de los 30 días mueren dentro de los 180 días posteriores al alta (excluidas las muertes hospitalarias, n=1104)

Análisis de factores que conducen a diferentes resultados en pacientes ingresados ​​en UCI (n=652)

Análisis de factores que influyen en diferentes resultados de pacientes intervenidos quirúrgicamente durante el tratamiento en UCI (n=614)

Variables clasificadas según el tipo de distribución de datos correspondientes a diversas categorías de pacientes.

Diferentes categorías de pacientes corresponden a factores que influyen en diferentes resultados (P<0,1)

Resumen de variables finalmente incorporadas a cada modelo después de la selección de características.

Rendimiento de algoritmos de aprendizaje automático (predicción de la mortalidad hospitalaria para todos los pacientes)

Rendimiento de algoritmos de aprendizaje automático (predicción del reingreso dentro del mes posterior al alta para todos los pacientes)

Rendimiento de algoritmos de aprendizaje automático (predicción de la mortalidad dentro de los 180 días posteriores al alta para todos los pacientes)

Rendimiento de algoritmos de aprendizaje automático (predicción de la mortalidad hospitalaria en pacientes ingresados ​​en UCI)

(Predicción del reingreso dentro del mes posterior al alta para pacientes ingresados ​​en la UCI)

(Predicción de la mortalidad dentro de los 180 días posteriores al alta para pacientes ingresados ​​en la UCI)

Rendimiento de algoritmos de aprendizaje automático (predicción de la mortalidad hospitalaria en pacientes sometidos a cirugía durante la atención en la UCI)

(Predicción del reingreso dentro del mes posterior al alta para pacientes que se sometieron a cirugía durante la atención en la UCI)

(Predicción de la mortalidad dentro de los 180 días posteriores al alta en pacientes sometidos a cirugía durante la atención en la UCI)

Variables de pacientes que recibieron drenaje biliar durante el tratamiento en UCI en el Hospital Zhongda (n=61)