Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

Resumen Técnico: Construcción de un modelo de predicción basado en aprendizaje automático para la lesión por presión intraoperatoria en niños sometidos a neurocirugía

Planteamiento del problema
La lesión por presión intraoperatoria (LPI) es una complicación frecuente y grave entre los niños sometidos a neurocirugía. Debido a la naturaleza delicada de estos procedimientos, la necesidad de posicionamiento forzado, el uso de instrumentos que causan compresión tisular local y el reposo prolongado en cama postoperatorio, los pacientes pediátricos enfrentan riesgos elevados. Si bien estudios previos han identificado una tasa de incidencia de aproximadamente el 11.5% en niños neuroquirúrgicos, los factores de riesgo específicos para esta población aún no se comprenden completamente. Además, las herramientas de predicción existentes, como un nomograma desarrollado previamente, demostraron solo una eficacia predictiva moderada (c-index = 0.79). Hasta la fecha, ningún estudio ha informado sobre el uso de técnicas de aprendizaje automático (ML) para construir un modelo de predicción de LPI en niños neuroquirúrgicos.

Metodología
Este estudio retrospectivo utilizó datos clínicos de 776 niños (edad ≤18 años) que se sometieron a neurocirugía en un hospital pediátrico de tercer nivel en Chongqing entre enero y junio de 2023. El estudio se adhirió al principio de 10 eventos por variable (EPV) para el cálculo del tamaño de la muestra, incluyendo finalmente 14 posibles factores de riesgo.

• Recopilación y preprocesamiento de datos: Los datos incluyeron información demográfica, valores de laboratorio preoperatorios (hemoglobina, hematocrito, IMC, puntuación Braden Q) y variables intraoperatorias (clasificación ASA, posición quirúrgica, duración de la operación/anestesia, pérdida de sangre, uso de herramientas eléctricas e hipotermia). La LPI se diagnosticó de acuerdo con los estándares de la NPUAP de 2019.
• Selección de características: Se empleó la regresión de LASSO (Least Absolute Shrinkage and Selection Operator) para filtrar variables y reducir la dimensionalidad, seleccionando 13 características con coeficientes distintos de cero.
• Construcción del modelo: El conjunto de datos se dividió en un grupo de entrenamiento (70%) y un grupo de validación (30%). Se implementaron nueve algoritmos de aprendizaje automático: Regresión Logística (LR), Bosque Aleatorio (RF), Red Neuronal (NNET), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Máquina de Vectores de Soporte (SVM), Naive Bayes (NB), K-Vecinos Más Cercanos (KNN) y Árbol de Decisión (DT).
• Optimización y validación: Los modelos se ajustaron mediante validación cruzada de diez pliegues (ten-fold cross-validation) y búsqueda de cuadrícula (grid search) en el conjunto de entrenamiento. El rendimiento se evaluó mediante el Área Bajo la Curva de la Característica Operativa del Receptor (AUC), sensibilidad, especificidad, precisión, puntuación F1 y Análisis de la Curva de Decisión (DCA).
• Interpretabilidad: El modelo óptimo se analizó mediante SHapley Additive exPlanations (SHAP) para visualizar la importancia de las características y explicar el proceso de toma de decisiones.

Resultados clave

• Incidencia: La incidencia observada de LPI en la cohorte fue del 7.9% (62/776). La mayoría de las lesiones fueron de Grado I (95.16%), siendo la mejilla, la frente y la sien los sitios más comunes.
• Selección de características: La regresión LASSO identificó 13 predictores clave, incluyendo edad, sexo, puntuación Braden Q, hematocrito preoperatorio, pérdida de sangre intraoperatoria, tiempo de operación, tiempo de anestesia, posición quirúrgica, uso de herramientas eléctricas, clasificación ASA, tipo de cirugía e IMC.
• Rendimiento del modelo: Entre los nueve algoritmos, el modelo XGBoost demostró el rendimiento más estable y óptimo.
  • Métricas del conjunto de validación: XGBoost alcanzó un AUC de 0.7325, con una sensibilidad de 0.8889, especificidad de 0.4813, precisión de 0.126 y una puntuación F1 de 0.2207.
  • Comparación: Aunque el modelo XGBoost mostró un AUC ligeramente inferior al modelo de nomograma previo de los autores (0.79), demostró una mayor sensibilidad. El Análisis de la Curva de Decisión indicó que XGBoost proporcionó el mayor beneficio clínico neto en el conjunto de validación.
• Análisis de factores de riesgo: La visualización SHAP identificó los seis principales factores de riesgo que impulsan las predicciones del modelo: pérdida de sangre intraoperatoria, posición quirúrgica, edad del paciente, duración de la operación, duración de la anestesia y el uso de fuerza externa (por ejemplo, taladros o fresadoras).

Contribuciones clave

1. Aplicación novedosa de ML: Este estudio construye un modelo de predicción basado en aprendizaje automático para la LPI en niños sometidos a neurocirugía, abordando un vacío donde no se había reportado tal modelo previamente.
2. Comparación algorítmica: Compara sistemáticamente nueve algoritmos de aprendizaje automático distintos, identificando a XGBoost como el modelo superior para este contexto clínico específico.
3. Interpretabilidad: Al integrar el análisis SHAP, el estudio va más allá de las predicciones de "caja negra", proporcionando una visualización transparente de cómo indicadores clínicos específicos (como la pérdida de sangre y la posición quirúrgica) influyen en el riesgo de lesión.
4. Refinamiento de factores de riesgo: El estudio reevalúa los factores de riesgo, confirmando la importancia de la pérdida de sangre intraoperatoria y el uso de herramientas eléctricas, que no fueron resaltados tan prominentemente en modelos anteriores no basados en ML.

Significancia y afirmaciones
Los autores afirman que el modelo de predicción construido basado en XGBoost posee "cierta eficacia predictiva". La principal significancia de este trabajo radica en su potencial para asistir a los enfermeros clínicos en la identificación temprana de pacientes pediátricos neuroquirúrgicos de alto riesgo. Al aprovechar este modelo, los proveedores de salud pueden tomar medidas preventivas personalizadas de manera más temprana en el continuo de la atención. El estudio enfatiza que, si bien el modelo no es un reemplazo perfecto para el juicio clínico, ofrece una base científica para el cribado y ayuda a agilizar el proceso de evaluación al resaltar los factores de riesgo más críticos, ayudando así a reducir potencialmente el tiempo de evaluación y mejorar la precisión de las estrategias de prevención de LPI. Los autores mantienen la modestia respecto a la generalizabilidad del modelo, señalando limitaciones como la naturaleza retrospectiva de los datos, la falta de validación externa y la necesidad de explorar las interacciones entre los factores de riesgo en estudios futuros.