2026-04-13T09:47:19Zhttps://recercat.cat/oai/request

oai:recercat.cat:10459.1/595572024-12-05T22:13:02Zcom_2072_3622col_2072_479130

00925njm 22002777a 4500 dc Trujillano Cabello, Javier author March Llanes, Jaume author Badia Castello, Mariona author Rodríguez, A. author Sorribas Tello, Albert author 2017-04-28T08:35:44Z 2017-04-28T08:35:44Z 2003 Objetivo: Comparar la capacidad de predicción de mortalidad hospitalaria de una red neuronal artificial (RNA) con el Acute Physiology and Chronic Health Evaluation II (APACHE II) y la regresión logística (RL), y comparar la asignación de probabilidades entre los distintos modelos. Método: Se recogen de forma prospectiva las variables necesarias para el cálculo del APACHE II. Disponemos de 1.146 pacientes asignándose aleatoriamente (70 y 30%) al grupo de Desarrollo (800) y al de Validación (346). Con las mismas variables se genera un modelo de RL y de RNA (perceptrón de 3 capas entrenado por algoritmo de backpropagation con remuestreo bootstrap y con 9 nodos en la capa oculta) en el grupo de desarrollo. Se comparan los tres modelos en función de los criterios de discriminación con el área bajo la curva ROC (ABC [IC del 95%]) y de calibración con el test de Hosmer- Lemeshow C (HLC). Las diferencias entre las probabilidades se valoran con el test de Bland-Altman. Resultados: En el grupo de validación, el APACHE II con ABC de 0,79 (0,75-0,84) y HLC de 11 (p = 0,329); modelo RL, ABC de 0,81 (0,76-0,85) y HLC de 29 (p = 0,0001), y en RNA, ABC de 0,82 (0,77-0,86) y HLC de 10 (p = 0,404). Los pacientes con mayores diferencias en la asignación de probabilidad entre RL y RN (8% del total) son pacientes con problemas neurológicos. Los peores resultados se obtienen en los pacientes traumáticos (ABC inferior a 0,75 en todos los modelos). En los pacientes respiratorios, la RNA alcanza los mejores resultados (ABC = 0,87 [0,78-0,91]). Conclusiones: Una RNA es capaz de estratificar el riesgo de mortalidad hospitalaria utilizando las variables del sistema APACHE II. La RNA consigue mejores resultados frente a RL, sin alcanzar significación, ya que no trabaja con restricciones lineales ni de independencia de variables, con una diferente asignación de probabilidad individual entre los modelos. La financiación del proyecto se llevó a cabo mediante una beca FIS (00/0235). http://hdl.handle.net/10459.1/59557 Mortalidad hospitalaria Estratificación de riesgo Unidad de cuidados intensivos Redes neuronales artificiales Bootstrap Aplicación de las redes neuronales artificiales para la estratificación de riesgo de mortalidad hospitalaria