Machine Learning for Predicting Pediatric Mortality After Cardiopulmonary Bypass: Harnessing the Complex Predictive Power of Accessible Inflammatory Markers

Resumen Técnico: Aprendizaje Automático para la Predicción de la Mortalidad Pediátrica tras Bypass Cardiopulmonar

Planteamiento del Problema
Los niños sometidos a cirugía cardíaca con bypass cardiopulmonar (BCP) presentan un alto riesgo de Síndrome de Respuesta Inflamatoria Sistémica (SIRS), el cual puede progresar a Síndrome de Disfunción Multiorgánica (SDMO) y muerte. Aunque se sabe que biomarcadores inflamatorios específicos (p. ej., IL-6, IL-8, TNF-α) predicen resultados adversos, estos suelen ser costosos y requieren instalaciones de laboratorio especializadas, lo que limita su utilidad para la estratificación de riesgo rutinaria. Por el contrario, los parámetros estándar del Hemograma Completo (CBC) y la Proteína C Reactiva (PCR) están fácilmente disponibles y son de bajo costo, pero pueden no capturar interacciones complejas y no lineales cuando se analizan mediante métodos estadísticos tradicionales. El estudio evalúa si un modelo de Inteligencia Artificial (IA) basado en Aprendizaje Automático (ML) puede predecir con precisión la mortalidad postoperatoria a los 30 días en pacientes pediátricos (<15 años) utilizando únicamente estos marcadores inflamatorios accesibles.

Metodología

• Diseño del Estudio y Cohorte: Se realizó un estudio observacional retrospectivo en el Instituto do Coração (Universidad de São Paulo) que involucró 1,499 procedimientos de cirugía cardíaca pediátrica con BCP realizados entre marzo de 2020 y agosto de 2025. La cohorte incluyó pacientes menores de 15 años con procedimientos clasificables según la puntuación de Ajuste de Riesgo para Cirugía Cardíaca Congénita (RACHS-1).
• Recolección de Datos: Se recolectaron datos de laboratorio preoperatorios y a las 12, 24, 36, 48 y 72 horas postoperatorias. Las características incluyeron parámetros estándar del CBC (plaquetas, hemoglobina, hematocrito, leucocitos, neutrófilos, monocitos, neutrófilos inmaduros), niveles de PCR e índices inflamatorios derivados (NLR, PLR, MLR, SIRI, AISI, SII, NLPR, dNLR).
• Arquitectura del Modelo: Los autores desarrollaron un Clasificador de Votación por Ensamble (Ensemble Voting Classifier) que combina dos algoritmos:
  1. XGBoost: Para aprender interacciones no lineales.
  2. Random Forest: Para mejorar la estabilidad y la generalización.
• Manejo del Desequilibrio de Clases: Dada la baja tasa de mortalidad (5.7%), los autores evitaron la generación de datos sintéticos (p. ej., SMOTE) para prevenir el ruido. En su lugar, emplearon aprendizaje sensible al costo (cost-sensitive learning), ponderando los modelos para penalizar más severamente la clasificación errónea de los eventos de mortalidad que la de los supervivientes.
• Entrenamiento y Validación: El conjunto de datos se dividió en un conjunto de entrenamiento del 80% y un conjunto de prueba independiente del 20%. Los hiperparámetros se optimizaron mediante validación cruzada estratificada de 5 pliegues (5-fold). El rendimiento se evaluó mediante bootstrapping (1,000 iteraciones) para calcular los Intervalos de Confianza (IC) del 95% para métricas que incluyen el AUC-ROC, sensibilidad, especificidad, VPP y VPN.
• Interpretabilidad: Se utilizaron explicaciones de Shapley (SHAP) para cuantificar las contribuciones de las características y visualizar los impulsores fisiológicos de las predicciones del modelo.

Resultos Clave

• Desempeño Predictivo: El modelo de ensamble logró un AUC-ROC de 0.927 (IC 95%: 0.882–0.966) en el conjunto de prueba independiente, demostando una capacidad de discriminación robusta. El modelo mostró una excelente calibración (puntuación de Brier = 0.040).
• Umbrales Clínicos: Optimizando para una alta sensibilidad (≥80%) para minimizar los eventos letales omitidos, el modelo logró:
  • Sensibilidad: 79.9% (identificando casi el 80% de los eventos de mortalidad).
  • Valor Predictivo Negativo (VPN): 98.7%, lo que indica una alta fiabilidad en la identificación de pacientes de bajo riesgo que podrían someterse a una desescalada de la vigilancia.
  • Especificidad: 84.5%.
  • Valor Predictivo Positivo (VPP): 21.9%.
• Impulsores Fisiológicos (Análisis SHAP): Se identificaron dos fenotipos distintos como predictores primarios de mortalidad:
  1. Trombocitopenia: Los recuentos mínimos de plaquetas bajos fueron el discriminador más fuerte. Los no supervivientes presentaron medianas de plaquetas mínimas significativamente más bajas (63,000 vs. 112,500/µL; p < 0.001).
  2. Fenotipo de "Parálisis Inmune": Contrario a la expectativa de que la hiperinflamación impulsa la mortalidad, los no supervivientes exhibieron niveles de PCR mínima significativamente menores (30.1 vs. 46.9 mg/L; p = 0.027). Esto sugiere que una falla en la respuesta de fase aguda (posiblemente debido a disfunción hepática o agotamiento inmunitario) es un factor de riesgo crítico.
• Importancia de las Características: Aunque se incluyeron índices inflamatorios derivados (p. ej., NLR), los parámetros hematológicos individuales —específicamente el recuento de plaquetas y la cinética de la PCR— tuvieron un mayor peso predictivo que los ratios compuestos.

Significancia y Reivindicaciones
El artículo sostiene que los modelos de aprendizaje automático pueden predecir con precisión la mortalidad a los 30 días en pacientes pediátricos con BCP utilizando únicamente datos de laboratorio de bajo costo y disponibles de forma rutinaria. El estudio destaca que:

1. Accesibilidad: El monitoreo sistemático de los marcadores inflamatorios estándar, cuando se analiza mediante ML, puede servir como una herramienta de cribado eficaz sin necesidad de ensayos de citocinas costosos.
2. Perspectiva Biológica: La identificación del fenotipo de "parálisis inmune" (baja PCR asociada con la muerte) desafía el enfoque convencional centrado únicamente en la hiperinflamación, sugiriendo que una respuesta de fase aguda inadecuada es una vía crítica hacia los resultados adversos.
3. Utilidad Clínica: El alto VPN del modelo respalda su potencial uso en entornos clínicos para identificar de forma segura a pacientes de bajo riesgo, permitiendo potencialmente la desescalada de la vigilancia postoperatoria invasiva.
4. Ventaja Metodológica: El estudio demuestra que la IA puede capturar interacciones complejas y no lineales entre las variables inflamatorias y hematológicas que los métodos bioestadísticos tradicionales podrían omitir, ofreciendo un paso hacia el reconocimiento temprano del deterioro postoperatorio.

Los autores señalan limitaciones, incluyendo la naturaleza retrospectiva de centro único del estudio y la exclusión de datos de citocinas específicas (p. ej., IL-6), pero afirman que sus hallazgos se alinean con la literatura más amplia sobre el valor pronóstico de los marcadores hematológicos en cirugía cardíaca.