Aplicación de machine learning para la predicción de resistencia antibiótica en infecciones intraabdominales en pacientes hospitalizados
Rodríguez Núñez, Olga
Macias Toro, Edwar Hernando tut. (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Data:	2025
Resum:	Introducción: La antibioterapia empírica inadecuada frente a microorganismos resistentes a los antibióticos (MRA) en infecciones intraabdominales (IIA) se asocia a elevada morbilidad y mortalidad. El objetivo de este estudio fue desarrollar y evaluar modelos de machine learning (ML) para predecir el riesgo de IIA por MRA en pacientes hospitalizados. Métodos: Se llevó a cabo un estudio retrospectivo en 1. 532 pacientes adultos con IIA bacteriémica en un hospital terciario. Para abordar el desbalance de clases (17,2 % de MRA), se generaron 2. 500 registros sintéticos mediante Synthetic Data Vault (SDV). Se entrenaron y compararon cuatro modelos individuales (regresión logística, random forest, XGBoost y CatBoost) y dos modelos stacking (Stacking 3c y Stacking 4c). El rendimiento se evaluó mediante AUC, recall, F1-score y precisión. Se priorizó la sensibilidad ajustando el umbral de clasificación. Resultados: El modelo Stacking 3c, integrado por regresión logística, random forest y XGBoost, y entrenado con el 100 % de datos sintéticos, alcanzó un recall de 0,774, identificando la mayoría de los casos positivos, con una precisión de 0,228 y un AUC test de 0,705. El modelo Stacking 4c, que incluyó CatBoost y utilizó un 40 % de datos sintéticos, obtuvo un AUC test de 0,714, una precisión de 0,355 y un recall de 0,509. El análisis de importancia de variables por permutación identificó como predictores claves los antibióticos previos, la edad y los días de ingreso. Conclusiones: El modelo Stacking 3c mostró una alta capacidad para detectar infecciones por MRA, contribuyendo a mejorar el inicio del tratamiento empírico y los desenlaces clínicos.
Resum:	Introduction: Inadequate empirical antibiotic therapy against multidrug-resistant organisms (MDROs) in intra-abdominal infections (IAIs) is associated with high morbidity and mortality. The aim of this study was to develop and evaluate machine learning (ML) models to predict the risk of MDRO-related IAIs in hospitalized patients. Methods: A retrospective study was conducted including 1,532 adult patients with bacteremic IAIs admitted to a tertiary hospital. To address class imbalance (17. 2% MDRO), 2,500 synthetic records were generated using the Synthetic Data Vault (SDV). Four individual models (logistic regression, random forest, XGBoost, and CatBoost) and two stacking models (Stacking 3c and Stacking 4c) were trained and compared. Performance was assessed using AUC, recall, F1-score, and precision. Sensitivity was prioritized by adjusting the classification threshold. Results: The Stacking 3c model, composed of logistic regression, random forest, and XGBoost, and trained with 100% synthetic data, achieved a recall of 0. 774, identifying the majority of positive cases, with a precision of 0. 228 and a test AUC of 0. 705. The Stacking 4c model, which included CatBoost and used 40% synthetic data, reached a test AUC of 0. 714, a precision of 0. 355, and a recall of 0. 509. Permutation-based feature importance analysis identified prior antibiotic exposure, age, and length of hospital stay as the most relevant predictors of MDRO infection risk. Conclusions: The Stacking 3c model demonstrated strong performance in identifying patients with MDRO-related IAIs, supporting timely initiation of appropriate empirical therapy and potentially improving clinical outcomes.
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
Pla d'estudis:	Màster en Intel·ligència Artificial i Big Data en Salut [4291]
Document:	Treball de recerca
Matèria:	Iinfecciones intraabdominales ; Microorganismos resistentes a antibióticos ; Nachine learning ; Modelos predictivos ; Antibioterapia empírica ; Intra-abdominal infections ; Multidrug-resistant organisms ; Machine learning ; Predictive models ; Empirical antibiotic therapy

14 p, 2.0 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de recerca i projectes de final de carrera > Enginyeria. TFM