Desarrollo de un algoritmo para determinar el riesgo de muerte en pacientes dentro de una unidad de cuidado intensivo utilizando regresión múltiple no lineal

Abstract

Los sistemas de clasificación de la severidad de la enfermedad han sido utilizados por décadas por médicos en todo el mundo dentro de la Unidad de Cuidado Intensivo, como un indicativo del estado de salud del paciente y la probabilidad del riesgo de muerte del mismo. A pesar de la aceptación de dichos sistemas de clasificación, se ha demostrado que no tienen los resultados más precisos, es por esta razón que los científicos e ingenieros han probado diversas técnicas para buscar mejorar dichos sistemas. En este artículo se presentan los resultados del desarrollo de un algoritmo para la determinación del riesgo de muerte utilizando regresión múltiple no lineal y su comparación con los resultados obtenidos con el sistema de clasificación tradicional SAPS I. Partiendo de una base de datos de mediciones de parámetros fisiológicos para 4000 pacientes, se realiza un procesamiento extendido de la misma, aplicándosele análisis de datos y probándose las técnicas de regresión múltiple no lineal: Árbol de regresión, Regresión logística, Máquina de Vector de Soporte y Redes Neuronales Artificiales. Los mejores resultados se obtuvieron con la técnica Máquina de Vector de Soporte, logrando superar el desempeño del sistema SAPS I.

Abstract: Systems for scoring the severity of illness had been used for decades on the Intensive Care Unit (ICU) of Health Care Institutions as indicators of the patient’s health and risk of death. Even after being accepted worldwide, it has been proved that these systems have limitations and do not provide the most accurate results, it is because of this that scientists and engineers have tried different techniques in order to improve these systems. This article presents the results of the development of an algorithm that uses non-linear multiple regression to establish the death risk for patients in the ICU, and the comparison of those results with the ones given by the SAPS I traditional scoring system. Parting from a database of physiological variables measurements for 4000 patients, an extended processing of this database is made together with data analysis, to finally apply the nonlinear multiple regression techniques: Regression trees, Logistic Regression, Support Vector Machine and Artificial Neural Networks. The best results were obtained with the Support Vector Machine technique, having a better performance in comparison with the SAPS I score.