Estratificación de riesgo de infecciones bacterianas invasoras basado en algoritmos de machine learning para pacientes pediátricos ingresados por neutropenia febril

Abstract

La neutropenia febril es una condición que pueden sufrir las personas con cáncer debido a que su sistema inmune esta comprometido, tanto por el cáncer como por el tratamiento del mismo. Esta condición puede evolucionar hacia complicaciones como infecciones bacteriales e incluso la muerte. Para impedir lo anterior, los médicos han entregado un tratamiento preventivo, buscando evitar las posibles complicaciones derivadas de esta condición. Los cuidados iniciales eran la entrega de antibióticos de amplio espectro con una hospitalización temprana que permitiera monitorear la evolución de los pacientes. Esta aproximación demostró ser efectiva al reducir las complicaciones pero poco eficiente, ya que entrega el mismo tratamiento agresivo a personas que no lo necesitan, disminuyendo la calidad de vida de estos, producto de las complicaciones derivadas del tratamiento, como las infecciones intrahospitalarias, interrupciones del tratamiento del cáncer y abuso de antibióticos. Diversas investigaciones han buscado identificar los factores que separan a los pacientes de alto riesgo de complicaciones de los de bajo riesgo. Es por ello, que se han planteando modelos de clasificación, tanto en adultos como en niños. En particular, esta memoria se enfocara en la clasificación de niños, como la elaborada por Santolaya (2001). Esta clasificación se basa en reglas que podrían no ser las más óptimas para predecir el riesgo dado lo observado en los datos. Es por lo anterior, que se planteo la hipótesis de que el desarrollo de un modelo basado en machine learning pueda superar el rendimiento del modelo utilizado actualmente. El modelo desarrollado tuvo un AUC de 0,834 en contraste con el 0,691 de la regla actual, siendo una diferencia que implica que más niños serán clasificados de mejor manera, tratándolos de la manera más óptimo a sus necesidades. El modelo desarrollado uso variables del modelo actual pero también incorporo variables de modelos encontrados en la literatura y algunas variables nuevas descubiertas en la base de datos. También se efectuó una evaluación económica de la implementación de este modelo y se estimó que el beneficio económico será de 230 millones de pesos para el sistema público de salud en los próximos 10 años y 1.014 días ahorrados para los pacientes en el mismo periodo. Por ultimo, se creo un prototipo funcional de clasificación, el cual ilustra el flujo de información para la clasificación del paciente, siendo un punto de partida para futuras plataformas. Dentro de las conclusiones, se tiene que se verifico la hipótesis, es decir se puede crear un modelo basado en machine learning que tenga un mejor rendimiento del actual. También se confirmo que una solución de este tipo es efectiva en términos de costo-beneficio para el estado. No obstante, que esta solución sea exitosa no pasa exclusivamente por la construcción de la herramienta sino que de la implementación de esta, si esto no sucede, el modelo planteado en esta memoria no cumpliría su objetivo de mejorar la calidad de vida de los pacientes.