69 CONGRESO AEP. Libro de comunicaciones

827 ISBN: 978-84-09-57975-4 ÁREA DE ESPECIALIDAD  Pediatría Hospitalaria #223 COMUNICACIÓN ORAL Clasificación de las gastroenteritis agudas en niños usando machine learning y su implementación en una app Andrea Palacios Bermejo 1 , Laura Oliva García 1 , Felipe González Martínez 1 , Jimena Pérez Moreno 1 , Rosa Rodríguez Fernández 1 , Agustín Muñoz Cutillas 1 , Santiago Rodríguez-Tubío Dapena 1 , Gonzalo Aris Jiménez 2 , Carolina García Martos 2 , José Manuel Mira McWilliams 2 1 Hospital General Universitario Gregorio Marañón, Madrid 2 Universidad Politécnica de Madrid, Madrid INTRODUCCIÓN Y OBJETIVOS La gastroenteritis aguda (GEA) es una de las principales causas de ingreso en niños, con importante morbilidad, car- ga asistencial y gasto sanitario. El objetivo de este estudio fue analizar la epidemiología y clínica de la gastroenteritis en el ámbito de la hospitalización pediátrica, así como cons- truir y validar una app que combinando características clíni- cas, analíticas y epidemiológicas permita diferenciar las GEA bacterianas de las víricas. MÉTODOS Se diseñó un estudio observacional, retrospectivo y analítico. Se incluyeron todos los pacientes menores de 16 años ingresados por GEA en un hospital terciario desde enero 2018 a diciembre 2021. Se analizaron variables de- mográficas, clínicas, y analíticas. Mediante PCA (análisis de componentes principales) se calculó la importancia de las variables, y posteriormente se utilizó Random Forest (RF) para predecir la etiología, impu- tando datos faltantes utilizando la distancia de Gower. El modelo óptimo final se ha implementado en una app. RESULTADOS Se incluyeron 309 pacientes, mediana de edad 25 me- ses (RIC 9-47), 48% eran varones y la estancia media de 3 (2-4) días. En el 65% (190) se pudo determinar la etiología vírica o bacteriana mediante coprocultivos y determinacio- nes antigénicas en heces, aislándose virus en 115 pacien- tes (37,2%) y bacterias en 75 (24,3%). Los pacientes con etiología vírica fueron de menor edad y presentaban más vómitos, menor presencia de productos patológicos en heces, y con mayor frecuencia acidosis, hi- pertransaminasemia, y linfopenia ( p < 0,01). Los pacientes con etiología bacteriana se asociaban más a un alimento im- plicado y presentaban más fiebre, mayor ritmo deposicional y productos patológicos, con mayor elevación de reactantes de fase aguda y creatinina ( p < 0,01) ( Tabla 1 ). Mediante PCA se seleccionaron 5 variables cuantitati- vas. El modelo de RF seleccionado utiliza 24 variables en total (19 cualitativas) y pacientes sin valores faltantes: se entrenó con 89 pacientes, presentando un error de clasifi- cación de 12,2% para un test-set de 22 pacientes. Cuando se amplía el test-set hasta 101 pacientes (79 pacientes más, con valores faltantes que se imputan uti- lizando los pacientes más similares según la distancia de Gower) se clasifican correctamente un total de 95 pacien- tes, un 94,05%. El modelo óptimo final nos permitió desa- rrollar una App capaz de predecir la etiología de las GEA in- cluso con datos faltantes. CONCLUSIONES Existen diferencias clínicas, analíticas y epidemiológicas entre las GEA bacterianas y víricas. La metodología desarrollada e implementada en la app predice la etiología y facilita importantes decisiones clínicas a los pediatras.