Desarrollo de un algoritmo basado en técnicas de machine learning para estratificación de riesgo de pacientes con dolor torácico y primera determinación de troponina negativa

• Autores: Agustín Fernández Cisnal
• Directores de la Tesis: Juan Sanchis Forés (dir. tes.) , Julio Núñez Villota (codir. tes.)
• Lectura: En la Universitat de València ( España ) en 2023
• Idioma: español
• Tribunal Calificador de la Tesis: Vicent Bodí Peris (presid.) , Alfredo Bardají Ruiz (secret.) , Eva Rumiz (voc.)
• Enlaces
  • Tesis en acceso abierto en: webges.uv.es (pdf)
• Resumen

  • Introducción: En los pacientes con dolor torácico (DT) que acuden a urgencias (URG) con un primer valor de troponina cardíaca de alta sensibilidad (hs-cTn) normal (

    Hipótesis: Un modelo de predicción de riesgo basado en variables clínicas y hs-cTn desarrollado con AA en pacientes que acuden a URG por DT y con una primera hs-cTn

    Objetivo: Desarrollo y validación de un modelo predicción de riesgo de muerte e IM a 90 días con técnicas de AA en pacientes que acuden a URG por DT y presentan una primera determinación de hs-cTn

    Material y métodos: Se incluyeron 4479 que consultaron en urgencias por DT con una hs-cTn

    Resultados: El OP ocurrió en 105(2.6%) pacientes de la cohorte de derivación y en 98(2.7%) en la de validación externa. La hs-cTn indetectable presentó una sensibilidad subóptima (90.2%). El modelo clínico presentó una buena capacidad de discriminación (área bajo la curva [AUC]=0.810). La adición de hs-cTn indetectable superó al modelo clínico AUC=0.664 vs. 0.836; p=0.002) y la hs-cTn medible proporcionó información predictiva. El modelo Gradient Boosting full (GBf) mostró la mejor discriminación (AUC=0.808). La calibración fue buena en todos los modelos, siendo la RL el mejor calibrado. El GBf identificó la mayor proporción de pacientes para alta precoz (36.7% vs 23.4% vs 27.2%; GBf vs RL vs estrategia única de hs-cTn) con una seguridad similar (OP a 90 días por 1000 pacientes: 2.2 vs. 3.5 vs. 3.1). Todos los modelos derivados fueron superiores a las puntuaciones HEART y GRACE (p<0.001).

    Conclusiones: Las variables clínicas, la hs-cTn indetectable sus concentraciones tienen valor pronóstico independiente. El entrenamiento de modelos basados en AA con estas variables tuvo un mejor rendimiento para el OP, en discriminación, calibración y porcentaje de pacientes asignados a alta precoz y segura, que las escalas HEART y GRACE y que la estrategia de determinación única. El modelo GBf logró el alta precoz y segura en el aproximadamente el 37% de los pacientes por lo que podría implementarse para la toma de decisiones en pacientes con DT y con una primera concentración de hs-cTnT