Publicación: Identificación temprana y predicción de sepsis en pacientes de UCI a partir de datos fisiológicos
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: Sepsis se define como una disfunción orgánica causada por una respuesta desregulada a una infección por parte del paciente. Es una de las causas de muerte más común en pacientes de unidades de cuidados intensivos en todo el mundo, lo que lo convierte en una problemática de gran importancia. La detección temprana de este síndrome es de gran importancia a la hora tratar a los pacientes efectivamente. En este trabajo se propone un modelo de inteligencia artificial para la identificación temprana y predicción de sepsis utilizando la base de datos MIMIC y adaptando los resultados a los datos de una institución local de salud. Se realizaron pruebas con múltiples modelos y parámetros de estos. El mejor resultado para la identificación temprana de sepsis fue el resultado de hacer un modelo multiclasificador con diferentes rasgos para los clasificadores, en este caso se usaron un kNN y un XGBoost y utilizar sus resultados como las entradas de una regresión logística. Éste tuvo un AUROC de 0.944. Para predicción de sepsis se propuso un modelo XGBoost capaz de predecir 1, 2 y 3 horas de anticipación con métricas de 0.918, 0.912 y 0.908 respectivamente.
Resumen en inglés
ABSTRACT: Sepsis is defined as an organic disfunction due to an unregulated response to an infection. Sepsis is one of the main causes of death in intensive care units (ICU) all around the world, which makes it a very important problem to tackle. Early sepsis detection plays a big role in taking care of patients effectively. In this work, an artificial intelligence model for the early identification and prediction of sepsis based in the public database MIMIC is proposed. The model is also adapted to the data of a local health institution. Multiple models with different parameters were tested. A model using an ensemble of classifiers with a XGBoost model and a kNN model and using their results in a logistic regression as meta-classifier obtained an AUROC of 0.944 for early sepsis identification. For sepsis prediction a simple XGBoost model was proposed and was able to predict 1, 2 and 3 hours before the sepsis onset with an AUROC of 0.918, 0.912 and 0.908, respectively.