Machine Learning-Based Diagnostic Model for Preoperative Anxiety in Elderly Patients with Hip Fractures and SHAP Analysis

Resumen Técnico: Modelo de Diagnóstico Basado en Aprendizaje Automático para la Ansiedad Preoperatoria en Pacientes Ancianos con Fracturas de Cadera

Planteamiento del Problema
La ansiedad preoperatoria impacta significativamente el pronóstico del tratamiento en pacientes ancianos con fracturas de cadera, lo que conduce a resultados adversos como un manejo anestésico difícil, control del dolor subóptimo, recuperación retrasada y aumento de las complicaciones. Sin embargo, el diagnóstico y la detección de la ansiedad en este grupo demográfico específico es un desafío. Las manifestaciones clínicas de la ansiedad (p. ej., palpitaciones, inquietud) a menudo se superponen con el dolor agudo post-fractura, las respuestas al estrés y las dificultades cognitivas o de comunicación relacionadas con la edad. Además, el nivel de escolaridad típicamente más bajo de los pacientes ancianos complica el uso de herramientas diagnósticas estándar, lo que resulta frecuentemente en oportunidades perdidas para una intervención psicológica oportuna. Actualmente, existe una escasez de estudios que establezcan modelos diagnósticos específicos para la ansiedad preoperatoria en esta población.

Metodología
Este estudio retrospectivo se llevó a cabo en el Tercer Hospital de la Universidad Médica de Hebei, inscribiendo a pacientes ancianos (edad ≥65) con fracturas de cuello femoral o intertrocantéreas ingresados entre noviembre de 2020 y mayo de 2025.

• Recolección de Datos: El estudio recolectó inicialmente 74 características predictivas potenciales, incluyendo demografía, características de la fractura, comorbilidades (p. ej., hipertensión, enfermedad coronaria, insuficiencia cardíaca) y parámetros de laboratorio extensos (valores de ingreso y valores mínimos/máximos durante la hospitalización).
• Definición del Resultado: La ansiedad se definió mediante el cuestionario del Trastorno de Ansiedad Generalizada-7 (GAD-7) administrado el día anterior a la cirugía. Una puntuación >4 clasificó a los pacientes en el "grupo de ansiedad", mientras que una puntuación ≤4 formó el "grupo sin ansiedad".
• Selección de Características: De las 74 características iniciales, se empleó una combinación de la regresión de Operador de Selección de Contracción y Encogimiento Absoluto Mínimo (LASSO) y el algoritmo Boruta para identificar los predictores más significativos. Este proceso redujo el conjunto de características a nueve variables centrales.
• Desarrollo del Modelo: La cohorte de 400 pacientes (220 con ansiedad, 180 sin ella) se dividió en un conjunto de entrenamiento (70%) y un conjunto de prueba (30%). Se entrenaron y ajustaron siete algoritmos de aprendizaje automático utilizando optimización bayesiana con validación cruzada de cinco pliegues: Regresión Logística (LR), Red Neuronal (NN), Máquina de Vectores de Soporte (SVM), Bosque Aleatorio (RF), eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) y Categorical Boosting (CatBoost).
• Evaluación e Interpretación: El rendimiento del modelo se evaluó mediante el Área Bajo la Curva Característica Operativa del Receptor (AUC), precisión, sensibilidad (recall), puntuación F1, especificidad, curvas de calibración (puntuación Brier) y Análisis de la Curva de Decisión (DCA). El modelo óptimo fue interpretado posteriormente mediante el análisis SHAP (Explicaciones de Valores de Shapley Aditivos) para cuantificar la importancia de las características y su direccionalidad.

Contribuciones Clave

• Construcción del Modelo de Diagnóstico: El estudio desarrolló y comparó con éxito siete modelos de diagnóstico de aprendizaje automático distintos, específicamente para la ansiedad preoperatoria en pacientes ancianos con fractura de cadera.
• Identificación de Características: A través de una rigurosa selección de características, el estudio identificó nueve predictores clínicos centrales: la puntuación de dolor de la Escala Visual Analógica (EVA), la edad, la hipertensión (HTN), la enfermedad coronaria (CAD), la hemoglobina mínima (Hb Min), el estado civil, la insuficiencia cardíaca aguda (AHF), el Índice de Comorbilidad de Charlson (CCI) y la insuficiencia cardíaca crónica (CHF).
• Interpretabilidad: A diferencia de los modelos de "caja negra", el estudio aplicó el análisis SHAP al modelo con mejor rendimiento, proporcionando una visualización transparente de cómo las variables clínicas específicas influyen en la predicción del riesgo de ansiedad.

Resultados

• Selección de Características: La intersección de los algoritmos LASSO y Boruta produjo nueve características no colineales.
• Rendimiento del Modelo: Entre los siete algoritmos, el modelo CatBoost demostró un rendimiento superior.
  • Conjunto de Entrenamiento: Precisión de 0.861, Precisión (Precision) de 0.883, Sensibilidad (Recall) de 0.853, puntuación F1 de 0.868 y Especificidad de 0.869.
  • Conjunto de Prueba: Precisión de 0.775, Precisión (Precision) de 0.841, Sensibilidad (Recall) de 0.757, puntuación F1 de 0.797 y Especificidad de 0.800.
  • Métricas Comparativas: CatBoost logró el AUC más alto de 0.827 en el conjunto de prueba, superando significativamente a LR, NN, RF, XGBoost y LightGBM (p < 0.05). También exhibió la mejor calibración (puntuación Brier: 0.1714) y el análisis de curva de decisión más favorable.
• Hallazgos del Análisis SHAP:
  • Correlaciones Positivas (Aumento del Riesgo): Puntuaciones de dolor EVA más altas, mayor edad y puntuaciones de CCI más altas se correlacionaron positivamente con el riesgo de ansiedad. La presencia de hipertensión, enfermedad coronaria, insuficiencia cardíaca aguda/crónica y el estado civil de viudez también aumentaron el riesgo.
  • Correlación Negativa (Disminución del Riesgo): Los niveles más bajos de hemoglobina mínima (Hb Min) se correlacionaron negativamente con el riesgo de ansiedad en la salida del modelo (aunque la discusión señala que la anemia generalmente exacerba el estrés fisiológico, la dirección específica de SHAP indicó una asociación negativa en el contexto de este conjunto de datos).

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona una herramienta valiosa y objetiva para que los clínicos realicen un cribado proactivo de los pacientes ancianos con alto riesgo de ansiedad preoperatoria. Al identificar factores de riesgo específicos —particularmente los niveles de dolor, las comorbilidades cardiovasculares y el estatus social— el modelo CatBoost permite la formulación de planes de gestión perioperatoria personalizados. El estudio sugiere que la identificación temprana de estos pacientes puede facilitar intervenciones psicológicas oportunas, anestesia adaptada y una atención optimizada, mejorando finalmente las experiencias quirúrgicas y los resultados de la recuperación. Los autores enfatizan que, si bien el modelo es prometedor, se trata de un estudio de un solo centro con un tamaño de muestra relativamente pequeño y un diseño observacional, lo que limita la inferencia causal y la generalización, requiriendo así una mayor validación en poblaciones más grandes y diversas.