Predicción de eventos clínicos adversos a partir de datos estáticos y dinámicos del paciente en el servicio de urgencias para COVID-19

Abstract

En el contexto de la pandemia, el mayor impacto repercute sobre el personal de salud y la gran responsabilidad puesta sobre ellos. Se propone un sistema de predicción de eventos clínicos adversos para pacientes COVID-19 positivos, con tal de apoyar al personal de salud en la toma de decisiones. Se consideran los eventos indicación de ventilación mecánica invasiva en los próximos dos días, y mortalidad en los próximos cinco días. Modelos en base a XGBoost son diseñados para predecir la probabilidad de ocurrencia de éstos, a partir de datos clínicos del paciente y su evolución temporal. El estudio considera 395 pacientes. En el caso de ventilación mecánica invasiva se encuentran 7 variables clínicas de alto impacto, de las que se obtiene un recall o sensitividad de 0.93 y área bajo la curva ROC de 0.88. Para mortalidad, se encuentran otras 7 variables claves, consiguiendo un recall de 0.82 y área bajo la curva de 0.82. Estos resultados son comparables con la literatura, a pesar de la acotada cantidad de datos. Al entregar la probabilidad de que el paciente sufra estos eventos en el futuro cercano, se presenta una herramienta que apoya a los profesionales en la toma de decisiones efectiva, agregando carácter predictivo a sus decisiones reactivas.