| Data: |
2025 |
| Descripció: |
12 pag. |
| Resum: |
La sepsis es un problema sanitario que ocasiona alta morbi-mortalidad. La predicción de su desarrollo por técnicas de machine learning (ML) es prometedora, pero afronta aún problemas para la implantación generalizada. En este. |
| Resum: |
trabajo, creamos un modelo predictivo de desarrollo de sepsis, ingreso en cuidados intensivos (UCI) o mortalidad en las 48 horas siguientes al inicio de la atención en urgencias. El estudio se llevó a cabo sobre una población final de 51,681 episodios, con una prevalencia de la variable principal del 9. 92%. Tras aplicar procesado de los datos, técnicas de imputación, y tratamiento del desbalanceo de los datos, varios modelos (random forest, XGBoost, red neuronal recurrente) fueron entrenados sobre 51 variables seleccionadas (edad, sexo, comorbilidades, constantes vitales y datos analíticos) con variaciones de los hiperparámetros. Se analizó el rendimiento mediante área bajo la curva (AUROC), área bajo la curva precision-recall (AUPRC), recall o sensibilidad (S), especificidad (E), precision o valor predictivo positivo (VPP) y F-1 score (F1). El mejor modelo considerado, obtuvo una AUROC 0. 85, AUPRC 0. 40, S 0. 80, E 0. 75, VPP 0. 26, F1 0. 40. Se aplicaron métodos para evaluar la importancia de las variables en las prediciones -como valores Shapley- y crear un módulo de predicción individualizado que sea clínicamente interpretable. |
| Resum: |
Sepsis remains a major healthcare challenge, characterized by high morbidity and mortality. Predicting its onset using machine learning (ML) techniques is promising but still faces obstacles to widespread implementation. In this study, we developed a predictive model for sepsis onset, intensive care unit (ICU) admission, or death within 48 hours of emergency department admission. We analyzed a final cohort of 51 681 episodes, in which the primary composite outcome occurred in 9. 92 % of cases. After data preprocessing, imputation, and class-imbalance correction, we trained several models-random forest, XGBoost and a recurrent neural network-on 51 selected variables (including age, sex, comorbidities, vital signs and laboratory parameters), with systematic hyperparameter tuning. Model performance was evaluated by the area under the receiver operating characteristic curve (AUROC), the area under the precision-recall curve (AUPRC), recall or sensitivity, specificity, precision or positive predictive value (PPV) and F1-score. The best model achieved an AUROC of 0. 85, AUPRC of 0. 40, sensitivity of 0. 80, specificity of 0. 75, PPV of 0. 26 and F1-score of 0. 40. Finally, we applied feature-importance techniques -as Shapley values- in order to build a clinically interpretable, individualized prediction module. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Castellà |
| Titulació: |
Màster en Intel·ligència Artificial i Big Data en Salut |
| Pla d'estudis: |
Màster en Intel·ligència Artificial i Big Data en Salut |
| Document: |
Treball de fi de postgrau |
| Matèria: |
Machine Learning ;
Random Forest ;
XGBoost ;
SHAP ;
Sepsis |
visitant ::
identificació
tut.
