Camacho Cogollo, Javier EnriqueLicona Melendez, Jaime José2024-07-242024-07-242024https://repository.eia.edu.co/handle/11190/6729RESUMEN: la ventilación mecánica (VM) es una parte crucial del cuidado de los pacientes en la unidad de cuidados intensivos (UCI). Alrededor del 40% de los pacientes en la UCI necesitan asistencia respiratoria con una máquina, y aproximadamente el 25% de ellos pueden requerirla durante un período prolongado. Es esencial encontrar maneras de prevenir las lesiones causadas por el soporte ventilatorio a largo plazo, y las tecnologías de aprendizaje automático están demostrando un gran potencial para asistir a médicos y enfermeras en los hospitales. El uso prolongado de ventilación mecánica puede tener efectos graves en el cuerpo, como debilidad muscular y un mayor riesgo de problemas respiratorios e infecciones pulmonares. Las complicaciones pueden empeorar el pronóstico del paciente, prolongar la dependencia del ventilador e incluso poner en riesgo su vida. Además, la tasa de mortalidad relacionada con la ventilación mecánica a largo plazo varía significativamente entre países, subrayando la necesidad de métodos para predecir y prevenir estos episodios. En este estudio, se desarrollaron y analizaron tres modelos de aprendizaje automático para identificar el riesgo de ventilación mecánica prolongada utilizando la base de datos MIMIC-IV. El modelo combinado de XGBoost y Gradient Boosting demostró el mejor rendimiento con una precisión del 75% y un AUC de 0.79. Esta combinación de modelos logró equilibrar mejor la precisión y el recall, proporcionando una herramienta más robusta para predecir la necesidad de VMP y ayudando a personalizar la atención y optimizar los recursos en la UCI.application/pdfspaDerechos Reservados - Universidad EIA, 2024Trabajo de grado - Pregradoinfo:eu-repo/semantics/openAccessMachine learningVentilacion MecanicaVentilacion mecacnica prolongadaMIMIC IV