I CONGRESO DIGITAL AEP. Libro de comunicaciones y casos clínicos

956 ISBN: 978-84-09-24491-1 ÁREA DE ESPECIALIDAD • PEDIATRÍA HOSPITALARIA ASOCIACIÓN ESPAÑOLA DE PEDIATRÍA ESTUDIO. Modelado mediante random forest para la predicción de la gravedad en las crisis asmáticas Rosa Rodríguez Fernández 1 , Lucía Pinto Ferro 2 , Felipe González Martínez 1 , Jimena Pérez Moreno 1 , José Manuel Mira McWilliams 2 1 Hospital General Universitario Gregorio Marañón, Madrid 2 Escuela Técnica Superior de Ingenieros Industriales, Universidad Politécnica de Madrid, Madrid INTRODUCCIÓN Y OBJETIVOS El asma es la enfermedad crónica más frecuente en la infancia y responsable de un elevado número de ingresos. En el momento del ingreso es difícil prever la evolución de cada paciente. El objetivo del estudio fue predecir la gravedad de las crisis asmáticas mediante un modelado estadístico de machine learning utilizando la técnica de random forest . MÉTODOS Se realizó un estudio retrospectivo, analítico en niños entre 4 y 16 años de edad que precisaron in- greso por crisis asmática en nuestro centro entre enero de 2010 a diciembre de 2016. Se recogieron variables clínicas, y epidemiológicas. Las variables dependientes para evaluar la gravedad fueron la estancia media (EM) y el ingreso en UCIP. El análisis estadístico se realizó en R software 3.5.1. Se aplico unmodelado de datos mediante random forest . Para desarrollar los modelos se dividió de forma aleatoria la base de datos, el 80% de los datos se utilizaron para el “entrenamiento” y el 20% para la validación. Para las variables cuantitativas se construyeron “ar- boles de regresión” y para las variables cualitativas “arboles de clasificación”. La bondad de los modelos se midió mediante el out-of-bag error (OOB) que re- presenta la proporción de observaciones falsamente clasificadas RESULTADOS Se incluyeron 532 pacientes con 548 crisis asmáticas que precisaron ingreso. El 63,4% fueron varones, la mediana de edad 5 (4-7) años y la estancia media 4 (3-5) días. El 3% preciso ingreso en UCIP. •• Respecto a la EM, se utilizó la técnica de “arboles de regresión”. Una vez refinado el modelo se se- leccionaron 500 árboles con un valor demtry igual a 4. El modelo obtuvo buenos resultados para pre- decir la EM con un OOB ( mean squared error ) de 2,5. Las variables identificadas como importantes para predecir EM fueron: necesidad de oxígeno de alto flujo (OAF), tratamiento antibiótico, presen- cia de complicaciones (neumonía/atelectasia) y número de ingresos previos (figura 1). •• Para el ingreso en UCIP utilizamos la técnica “ár- bol de clasificación”, seleccionamos 1000 árboles y obtuvimos un error OOB del 3%. En este caso el modelo no es tan bueno, pero permite diferenciar dos clústeres (ingreso en UCIP/ingreso en planta). Las variables más importantes para la clasifica- ción de los pacientes graves: necesidad de OAF, score de gravedad, tratamiento con sulfato de magnesio y sobrepeso CONCLUSIONES El modelado mediante random forest permite pre- decir la gravedad de las crisis asmáticas durante el ingreso hospitalario y definir pacientes de riesgo en los que establecer estrategias terapéuticas precoces.