Resolución a problema de la última cama: Implementación y evaluación de modelos de prognosis en pacientes UCI basados en aprendizaje de máquina interpretables para la toma de decisión objetiva de priorización de recursos clínicos.

Abstract

El síndrome de disfunción multiorgánica (SDMO) es la presencia de alteraciones en la función de dos o más órganos en un paciente que requiere de intervención clínica para mantenerlo con vida. La mayor tasa de mortalidad en Pacientes CoVid-19 (+) es por SDMO y su tratamiento genera una alta saturación de las cama UCI, por lo tanto una detección temprana es crucial para tener una buena prognosis, manejo de recursos en UCI y mejoras en la sobrevida. Actualmente la gravedad de SDMO y la probabilidad de muerte del paciente se evalúa mediante distintos modelos, entre ellos, OASIS es el más aceptado. Sin embargo, un estudio multicéntrico reciente de Feihu Zhou y col. (2020) mostró que modelos basados en Machine Learning (ML) son un 10,6% (C-value = 0.858) más predictivos que el modelo OASIS (C-value = 0,752). Esta propuesta plantea implementar un indicador clínico en tiempo real basado en modelo de ML interpretativo en un estudio prospectivo en pacientes chilenos de grupos etarios pediátricos, adolescentes, adultos y tercera edad que considera el contexto CoVid-19 (+) y evaluarlo con respecto a modelos clásicos OASIS, APSII, MODS, SAPS-II y SOFA. Dicho indicador objetivo y auditable permitirá informar y asistir al médico de la probabilidad de severidad y muerte de un posible cuadro de SDMO.