Un modelo de aprendizaje profundo predice mortalidad a 30 días en casos de neumonía

En un estudio reciente publicado en Revista americana de oncologíaLos investigadores desarrollaron un modelo de aprendizaje profundo (DL) para estimar el riesgo de muerte de 30,0 días entre los pacientes con neumonía adquirida en la comunidad (NAC) usando radiografías de tórax obtenidas para el diagnóstico como entrada, y validaron el rendimiento del modelo entre pacientes de diferentes instituciones y épocas. .

estancia: Un modelo de aprendizaje profundo que utiliza radiografías de tórax para predecir la mortalidad a los 30 días en pacientes con neumonía adquirida en la comunidad: desarrollo y validación externa.. Crédito de la imagen: AndreySuslov/Shutterstock.com

fondo

La NAC, una causa común de neumonía, se asocia con una tasa de mortalidad y un uso de recursos médicos significativos. La radiografía de tórax es una herramienta fundamental para el diagnóstico de NAC y la estratificación de riesgos.

Sin embargo, la incorporación de los hallazgos de la radiografía de tórax en las herramientas de predicción del riesgo se ha visto limitada por la variabilidad interna del lector y la dificultad para extraer biomarcadores objetivos. La puntuación CURB-65 y el índice de gravedad de la neumonía son herramientas actualmente disponibles para predecir resultados adversos en pacientes con NAC.

sobre estudiar

En el estudio retrospectivo actual, los autores desarrollaron y validaron externamente un modelo de predicción de muerte basado en DL dentro de los 30,0 días entre pacientes con NAC utilizando radiografías de tórax primarias.

El modelo se desarrolló para predecir el riesgo de muerte a 30,0 días por cualquier causa para pacientes con NAC mediante radiografías de tórax primarias.

El estudio involucró una búsqueda de registros médicos electrónicos (EMR) de una institución de referencia terciaria para personas que recibieron un diagnóstico de NAC durante cualquier encuentro de atención médica entre marzo de 2013 y diciembre de 2019.

El equipo evaluó un modelo de aprendizaje profundo entre personas diagnosticadas con neumonía adquirida en la comunidad en los departamentos de emergencia de una institución donde la cohorte de desarrollo fue diagnosticada entre enero y diciembre de 2020 (grupo de prueba de tiempo, 947 personas).

También evaluaron el modelo en otras dos instituciones, es decir, el Centro Médico Boramae del Gobierno Metropolitano de Seúl y la Universidad Nacional de Seúl (grupo de prueba externo A, 467 personas) entre enero y marzo de 2020, y el Hospital Universitario Chung-Ang (grupo de prueba externo B, 381 particulares) entre marzo de 2019 y octubre de 2021.

La cohorte de desarrollo incluyó pacientes diagnosticados con NAC durante cualquier encuentro, mientras que las cohortes de prueba posteriores solo incluyeron pacientes diagnosticados con NAC durante los encuentros en el departamento de emergencias. El equipo comparó los valores del área bajo la curva (AUC) entre el modelo de aprendizaje profundo y la herramienta CURB-65, y los resultados del enfoque grupal se evaluaron mediante un modelo de regresión logística.

La medida de resultado primaria fue la mortalidad por cualquier causa dentro de los 30,0 días del diagnóstico de NAC. Se desarrolló una red neuronal convolucional (CNN) para predecir la mortalidad 30,0 días después del diagnóstico de NAC en base a exámenes radiográficos de tórax de pacientes en una cohorte de desarrollo.

Los resultados del modelo representaron las probabilidades de supervivencia condicional en diferentes intervalos de tiempo, y un radiólogo torácico experimentado realizó un análisis post hoc de los mapas de activación de separación.

Se construyó un modelo de aprendizaje profundo con una distribución de 3,0:1,0:1,0 en el conjunto de entrenamiento, el conjunto de validación y el conjunto de pruebas internas para estimar el riesgo de muerte por cualquier causa en 30,0 días entre los pacientes con NAC con exámenes radiográficos de tórax analizados en el momento de la diagnóstico como entrada.

Los datos de mortalidad se confirmaron utilizando registros médicos electrónicos, o datos de registro de defunciones, del Ministerio del Interior y Seguridad de la República de Corea.

resultados

El estudio analizó la tasa de mortalidad a 30 días de 1421 pacientes en la cohorte de crecimiento, incluidos 1421 pacientes en el grupo de prueba interna.

Los valores de AUC para el riesgo de mortalidad estimado de 30,0 días fueron mayores para el modelo de aprendizaje profundo que para CURB-65 entre los participantes del grupo de prueba temporal (0,80 frente a 0,70), pero no estadísticamente significativos entre los pertenecientes a los grupos de prueba externa A (0,8 frente a 0,7) y B (0,8 frente a 0,7).

En comparación con CURB-65, el modelo DL tuvo una sensibilidad similar pero una mayor especificidad, con un valor predictivo positivo (VPP) del 35 % frente al 18 % y un valor predictivo negativo (VPN) del 95 % frente al 94 %. El modelo DL mostró una calibración aceptable en el grupo de prueba temporal pero sobrestimó significativamente el riesgo de muerte a 30 días en los grupos de prueba externa A y B.

El modelo de DL fue un predictor significativo de la mortalidad a los 30 días, con una razón de probabilidad de 1,08 para un aumento del 1,0 % en el riesgo previsto después de ajustar las puntuaciones CURB-65.

En los conjuntos de pruebas externas A y B, el modelo DL, las puntuaciones CURB-65 y el modelo combinado mostraron curvas de decisión cualitativamente similares, con modestas mejoras netas positivas en la utilidad para el modelo de aprendizaje profundo y el modelo combinado en comparación con las puntuaciones CURB-65.

Los cuadros de neumonía afectaron a los predictores del modelo de DL en pacientes de alto riesgo, mientras que los pacientes con pronóstico de bajo riesgo se vieron afectados por otras áreas del cuadro.

El modelo no se vio afectado por características irrelevantes como marcas de rayos o materiales externos. La evaluación posterior de los mapas de activación de clases mostró que las predicciones del modelo DL eran en gran medida precisas.

conclusiones

En general, los resultados del estudio muestran que el modelo de aprendizaje profundo puede estimar la mortalidad dentro de los 30,0 días posteriores al diagnóstico de NAC utilizando radiografías de tórax obtenidas para el diagnóstico con un rendimiento superior al de la herramienta CURB-65.

El modelo produjo un AUC de 0,77 a 0,80, con una especificidad más alta (rango de 61 % a 69 %) que CURB-65 (rango de 44 % a 58 %) con una sensibilidad similar.

El modelo puede guiar la toma de decisiones y mejorar los resultados de la PAC mediante la identificación de pacientes de alto riesgo (aquellos que requieren hospitalización y tratamiento intensivo, incluida la terapia con antibióticos intravenosos o soporte respiratorio).

Por el contrario, el alta precoz del domicilio y el tratamiento conservador de los pacientes de bajo riesgo pueden reducir el uso de recursos médicos innecesarios.