Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
* These authors contributed equally
Aquí describimos un flujo de trabajo interpretable de aprendizaje automático para tres tareas específicas según el resultado en colangitis aguda: predicción de sepsis en sala general, predicción de mortalidad intrahospitalaria en sala general y predicción de mortalidad a 28 días en la UCI. El flujo de trabajo integra selección de características, comparación de modelos, interpretación mediante SHAP, análisis de regresión y construcción de nomogramas.
Este estudio examinó los factores asociados con la sepsis en la colangitis aguda y desarrolló modelos específicos para predecir la sepsis y la mortalidad. Analizamos retrospectivamente datos de 1.999 pacientes de dos centros, incluyendo 1.561 admitidos en salas generales y 438 en la UCI. Para cada tarea de predicción, los datos se dividieron en cohortes de entrenamiento y validación interna en una proporción de 7:3. Se desarrollaron y compararon modelos de regresión logística (LR), bosque aleatorio (RF), máquina de vectores de soporte (SVM) y Gradient Boosting Extremo (XGBoost), y se utilizó el método Shapley Additive Explanations (SHAP) para su interpretación. La sepsis ocurrió en 544 pacientes de sala general (34,85 %) y en 299 pacientes de UCI (68,3 %). La regresión logística obtuvo el AUC más alto en la validación interna para la predicción de sepsis en sala general (0,826; AUC de entrenamiento, 0,893). La sepsis se asoció con una menor supervivencia intrahospitalaria en la cohorte de sala general y con una menor supervivencia a los 28 días en la cohorte de UCI. El nomograma de mortalidad a los 28 días en UCI incorporó la puntuación de fisiología aguda III (APS III), hemoglobina (Hb), alanina aminotransferasa (ALT), lactato (Lac), bilirrubina total (TBil), albúmina, estado de sepsis y lesión renal, y arrojó un AUC de 0,840. El nomograma de mortalidad intrahospitalaria en sala general incluyó albúmina, lesión renal, estado de sepsis, nitrógeno ureico en sangre (BUN), TBil y aspartato aminotransferasa (AST), obteniendo un AUC de 0,904. Los modelos validados internamente mostraron una capacidad discriminatoria preliminar para la estratificación de riesgo específica según el resultado. Se requiere una validación externa prospectiva multicéntrica antes de su implementación clínica.
La colangitis aguda es una infección del tracto biliar potencialmente mortal causada por obstrucción biliar y proliferación bacteriana1. Descrita por primera vez por Charcot en 1877 como «fiebre hepática», su presentación clásica es la tríada de Charcot: fiebre, dolor abdominal en el cuadrante superior derecho y ictericia. La enfermedad grave puede manifestarse como el pentad de Reynolds, que añade hipotensión y alteración del estado mental2. Las causas comunes incluyen coledocolitiasis, estrechamientos biliares, tumores biliares y obstrucción parasitaria; la coledocolitiasis representa aproximadamente la mitad de los casos1. La obstrucción biliar provoca estasis biliar y aumento de la presión intraductal, lo cual puede comprometer la barrera epitelial biliar, favorecer la translocación bacteriana y desencadenar inflamación3. La mortalidad general oscila entre aproximadamente el 2,7 % y el 10 %, pero puede alcanzar el 50 % en casos graves4. En la colangitis aguda grave, bacterias y endotoxinas pueden ingresar a la circulación, provocando inflamación sistémica y sepsis.
La sepsis se caracteriza por una disfunción orgánica que pone en riesgo la vida, causada por una respuesta desregulada del huésped a la infección, y puede progresar hacia una falla multiorgánica5. A nivel mundial, se estima que ocurren aproximadamente 48,9 millones de casos de sepsis cada año, y las muertes relacionadas con la sepsis representan cerca del 19,7 % de todas las muertes6. A pesar de los avances en los cuidados de emergencia y críticos, la mortalidad por sepsis sigue siendo considerable7. Las Guías de Tokio 2018 (TG18) se utilizan ampliamente para diagnosticar y graduar la gravedad de la colangitis aguda2. Sin embargo, identificar la sepsis concomitante y predecir resultados adversos sigue siendo un desafío14. Por lo tanto, enfoques mejorados de estratificación de riesgo podrían ayudar a identificar a los pacientes que requieren una evaluación más estrecha.
Estudios previos han identificado índices hematológicos y medidas de función hepática y renal como posibles marcadores de la gravedad y el pronóstico de la colangitis aguda8. La puntuación de Evaluación Secuencial de la Insuficiencia Orgánica (SOFA, por sus siglas en inglés) se utiliza ampliamente para cuantificar la disfunción orgánica y tiene valor pronóstico en la sepsis9. La Puntuación de Fisiología Aguda III (APS III), componente de fisiología aguda de APACHE III, resume el trastorno fisiológico y contribuye a la evaluación del riesgo de mortalidad en pacientes de la UCI10. Las comorbilidades como enfermedad cardiovascular, diabetes y enfermedad hepática crónica pueden aumentar aún más el riesgo de resultados adversos11. Sin embargo, la evidencia sigue siendo limitada con respecto a modelos de predicción específicos para resultados en sepsis y mortalidad en la colangitis aguda.
El aprendizaje automático se ha aplicado cada vez más a datos clínicos estructurados para identificar patrones complejos y apoyar la estimación de riesgos12,13. En consecuencia, desarrollamos y validamos internamente modelos interpretables de aprendizaje automático para tres tareas distintas: predicción de sepsis en unidades generales, predicción de mortalidad intrahospitalaria en unidades generales y predicción de mortalidad a 28 días en la UCI. Comparamos LR, RF, SVM y XGBoost, y utilizamos SHAP para cuantificar la importancia de las características y explicar predicciones individuales. El objetivo fue evaluar el rendimiento predictivo específico para cada resultado y la interpretabilidad del modelo, más que establecer un sistema de toma de decisiones clínicas. Se requiere una validación externa prospectiva y multicéntrica antes de que estos modelos puedan considerarse para uso clínico rutinario.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Este estudio se realizó de acuerdo con los principios de la Declaración de Helsinki. La aprobación fue otorgada por el Comité de Ética del Hospital Popular del Condado de Binhai (Número de aprobación: 2024-BHKYLL-055).
Metodología
Pacientes
Se incluyeron retrospectivamente 1.999 adultos diagnosticados con colangitis aguda en dos centros entre enero de 2020 y agosto de 2024: el Hospital Popular del Condado Binhai y el Segundo Hospital Popular de Huai'an. De estos pacientes, 1.561 fueron atendidos en salas generales y 438 fueron ingresados en la UCI. El protocolo del estudio fue aprobado por el Comité de Ética del Hospital Popular del Condado Binhai (Número de aprobación: 2024-BHKYLL-055). Se obtuvo el consentimiento informado por escrito de cada participante o de un representante legalmente autorizado.
Los pacientes eran elegibles si (1) tenían un diagnóstico de colangitis aguda confirmado por un médico, (2) tenían 18 años o más, y (3) contaban con registros médicos completos y datos de seguimiento para el resultado relevante.
Se excluyeron a los pacientes si (1) tenían una malignidad concurrente que se esperaba que afectara sustancialmente la supervivencia, (2) eran incapaces de proporcionar consentimiento informado, o (3) se perdieron durante el seguimiento.
Recolección de datos clínicos y seguimiento
Las características clínicas y los datos de laboratorio se extrajeron retrospectivamente de los registros médicos del Hospital Popular del Condado de Binhai y del Segundo Hospital Popular de Huai'an. Las variables demográficas y del historial médico incluyeron sexo, edad, enfermedad cardiovascular, diabetes, hepatitis, cirrosis, hiperlipidemia y accidente cerebrovascular. Las primeras mediciones de laboratorio disponibles tras el ingreso en la sala general o en la UCI incluyeron el recuento de glóbulos blancos (WBC), el recuento de plaquetas (PLT), hemoglobina (Hb), albúmina, sodio, potasio, cloro, lactato (Lac), bilirrubina total (TBil), alanina aminotransferasa (ALT), aspartato aminotransferasa (AST), creatinina (CR) y nitrógeno ureico en sangre (BUN). Las intervenciones registradas incluyeron la colocación de stent biliar, la colangiopancreatografía retrógrada endoscópica (CPRE) y el drenaje percutáneo. Las medidas de gravedad de la enfermedad incluyeron la puntuación SOFA, APS III y la necesidad de ventilación mecánica. Las muestras de sangre se procesaron utilizando procedimientos de laboratorio automatizados y estandarizados. A los pacientes dados de alta con vida se les realizó seguimiento mediante visitas ambulatorias o contacto telefónico cuando fue necesario. El estado de sepsis se evaluó durante toda la hospitalización según los criterios de Sepsis-3; por lo tanto, el grupo de sepsis incluyó a pacientes con sepsis al ingreso y a aquellos que desarrollaron sepsis posteriormente. Dado que no se disponía de la hora exacta de inicio de la sepsis y la duración de la estancia hospitalaria se mantuvo en el modelo final de sepsis en sala general, no pudo establecerse un punto de referencia prospectivo uniforme en el momento del ingreso para ese modelo. Por lo tanto, debe interpretarse como un modelo retrospectivo de estratificación de riesgo intrahospitalario.
Resultado
El estudio evaluó tres tareas de predicción relacionadas pero distintas. El resultado principal fue el estado de sepsis durante la hospitalización en pacientes de sala general con colangitis aguda, determinado según los criterios de Sepsis-3. Los resultados secundarios fueron la mortalidad hospitalaria por cualquier causa en la cohorte de sala general, definida como muerte antes del alta, y la mortalidad a los 28 días por cualquier causa en la cohorte de UCI, definida como muerte dentro de los 28 días posteriores al ingreso en la UCI.
Análisis estadístico
La distribución de cada variable continua se evaluó mediante la prueba de Shapiro-Wilk. Las variables con distribución normal se presentaron como media ± desviación estándar y se compararon utilizando la prueba t de Student para muestras independientes; se usó la prueba t de Welch cuando no se cumplió el supuesto de homogeneidad de varianzas. Las variables sin distribución normal se presentaron como mediana y rango intercuartílico (RIC) y se compararon mediante la prueba de suma de rangos de Wilcoxon. Las variables categóricas se presentaron como frecuencias y porcentajes y se compararon utilizando la prueba de chi-cuadrado o la prueba exacta de Fisher, según correspondiera. Todas las pruebas fueron bilaterales y se consideró estadísticamente significativo un valor de P < 0,05.
Los pacientes se estratificaron según la presencia o ausencia de sepsis. En la cohorte de sala general, se utilizó una regresión logística multivariable para identificar los factores asociados con sepsis; los resultados se presentan como razones de momios (OR) con intervalos de confianza del 95 % (IC). Se emplearon curvas de Kaplan-Meier y pruebas de log-rango para comparar la supervivencia intrahospitalaria en la cohorte de sala general y la supervivencia a los 28 días en la cohorte de UCI entre pacientes con y sin sepsis. Se ajustaron modelos de riesgos proporcionales de Cox por separado para las dos cohortes, y los resultados se presentan como razones de riesgo (HR) con IC del 95 %.
Se construyeron cuatro modelos de Cox progresivamente ajustados. El modelo 1 no fue ajustado. El modelo 2 se ajustó por edad y sexo. El modelo 3 se ajustó adicionalmente por hipertensión, diabetes, insuficiencia cardíaca, accidente cerebrovascular y lesión renal. En la cohorte de sala general, el modelo 4 se ajustó además por GB, Hb, PLT, albúmina, CR, BUN, AST, ALT, sodio, potasio, cloruro y Lac. En la cohorte de UCI, el modelo 4 incluyó adicionalmente APS III y SOFA, ya que estas puntuaciones de gravedad estaban disponibles únicamente para los pacientes de UCI.
Para cada tarea de predicción, se utilizó una semilla aleatoria fija de 500 para dividir el conjunto de datos correspondiente de casos completos en cohortes de entrenamiento y validación interna en una proporción de 7:3. Todos los procedimientos de selección de características se realizaron exclusivamente en la cohorte de entrenamiento; la cohorte de validación interna no se utilizó para la selección de predictores. Dentro de la cohorte de entrenamiento, se empleó la regresión LASSO con validación cruzada de 10 pliegues y el algoritmo Boruta para identificar predictores candidatos. Para LASSO, se conservaron los predictores con coeficientes distintos de cero en lambda.min. Boruta se ejecutó de forma independiente durante un máximo de 5.000 iteraciones. Los predictores candidatos resultantes se utilizaron de manera consistente para desarrollar cuatro modelos para cada tarea: LR, RF, SVM y XGBoost. Las variables clínicas binarias se codificaron como 0 o 1. No se aplicó ninguna normalización ni transformación manual antes de ajustar LR, RF o XGBoost. La escalación para LASSO y SVM siguió la configuración predeterminada de sus respectivas implementaciones de software, y los parámetros de preprocesamiento derivados de la cohorte de entrenamiento se aplicaron sin cambios a la cohorte de validación interna. No se utilizó sobremuestreo, submuestreo, técnica de sobremuestreo sintético para clases minoritarias ni ponderación manual de clases. El modelo con mejor desempeño se definió como el modelo con el desempeño interno de validación más alto entre las cuatro implementaciones previamente especificadas, en lugar de una versión completamente optimizada de cada algoritmo. Los modelos ajustados en la cohorte de entrenamiento luego se evaluaron en la cohorte de validación interna. El flujo de trabajo completo se muestra en Supplementary Figure 1, y los detalles de implementación se proporcionan en Supplementary Table 1.
El rendimiento del modelo se evaluó utilizando el área bajo la curva de característica operativa del receptor (AUC), sensibilidad, especificidad, recuperación, puntuación F1 y exactitud. El AUC resume la discriminación en todos los umbrales de clasificación posibles, donde 0,5 indica ausencia de discriminación y 1,0 indica discriminación perfecta. En el umbral seleccionado, los verdaderos positivos (VP) y los verdaderos negativos (VN) fueron casos clasificados correctamente como positivos y negativos, mientras que los falsos positivos (FP) y los falsos negativos (FN) fueron casos clasificados incorrectamente. La sensibilidad, equivalente a la recuperación en la clasificación binaria, se calculó como VP/(VP + FN); la especificidad como VN/(VN + FP); la precisión como VP/(VP + FP); la puntuación F1 como 2 × precisión × recuperación/(precisión + recuperación); y la exactitud como (VP + VN)/(VP + VN + FP + FN). Las clases positivas fueron sepsis (codificada como 1) para el modelo de predicción de sepsis en sala general, muerte intrahospitalaria (codificada como 1) para el modelo de mortalidad intrahospitalaria en sala general, y muerte dentro de los 28 días (codificada como 1) para el modelo de mortalidad a 28 días en la UCI. Las clases negativas correspondientes fueron ausencia de sepsis, alta viva y supervivencia a los 28 días (todas codificadas como 0), respectivamente.
Se seleccionaron cuatro algoritmos de aprendizaje automático supervisado para representar estrategias complementarias para datos clínicos estructurados. La RL sirvió como un modelo de referencia interpretable para asociaciones lineales aditivas. El BR representó un conjunto basado en bagging, capaz de modelar relaciones no lineales e interacciones, a la vez que reducía la varianza. La SVM representó un clasificador basado en márgenes, capaz de acomodar fronteras de decisión no lineales en conjuntos de datos de tamaño moderado. XGBoost representó un algoritmo de potenciación regularizado capaz de capturar interacciones de orden superior y patrones no lineales. Todos los algoritmos utilizaron el mismo conjunto de predictores candidatos y se evaluaron en los mismos grupos de entrenamiento y validación interna para cada tarea de predicción.
Se realizó un análisis SHAP para el modelo con mejor desempeño de cada resultado para cuantificar la importancia global de las características y explicar las predicciones individuales. El desarrollo del nomograma siguió procedimientos específicos para cada resultado. Para el resultado de sepsis en sala general, los predictores candidatos se introdujeron en un modelo de regresión logística multivariable, y las variables que permanecieron estadísticamente significativas con un valor de P < 0,05 se incorporaron al nomograma final. Para los dos resultados de mortalidad, la inclusión de los predictores se basó en los resultados globales del análisis SHAP de importancia de características de los modelos correspondientes con mejor desempeño, sin eliminación adicional basada en valores de P.
Durante la elaboración retrospectiva de la base de datos, se excluyeron los registros que presentaban datos clínicos, de laboratorio o de evolución faltantes, necesarios para el análisis correspondiente, antes de su inclusión en el conjunto de datos analítico final. No se conservó un registro detallado de la selección previa a la inclusión; por lo tanto, no fue posible reconstruir el número de registros excluidos debido a datos faltantes ni los patrones originales de ausencia a nivel de variables. La cohorte finalizada de pacientes en sala general (n = 1.561) y la cohorte de UCI (n = 438) no presentaron valores faltantes para las variables utilizadas en los análisis correspondientes (0 % de datos faltantes), y no se realizó imputación estadística. Los 1.561 pacientes de sala general se incluyeron en los análisis de sepsis y mortalidad intrahospitalaria, y los 438 pacientes de UCI se incluyeron en el análisis de mortalidad a los 28 días. La completitud a nivel de variables en los conjuntos de datos finales se informa en la Tabla Suplementaria 2.
Los análisis de aprendizaje automático se realizaron utilizando la plataforma de análisis de aprendizaje automático. Los análisis estadísticos convencionales se llevaron a cabo mediante un entorno de cálculo estadístico de código abierto y software estadístico. Todas las pruebas estadísticas fueron bilaterales, y se consideró estadísticamente significativo un valor de P < 0,05.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Características basales de las cohortes del estudio
El estudio incluyó a 1.999 pacientes hospitalizados con colangitis aguda: 1.561 en la cohorte de sala general y 438 en la cohorte de UCI. En la cohorte de sala general, 544 pacientes desarrollaron o tenían sepsis, y 1.017 no la tenían; en la cohorte de UCI, 299 pacientes tenían sepsis y 139 no. Las características basales estratificadas según el estado de sepsis se presentan en Tabla 1. En la cohorte de sala ...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
La colangitis aguda es una infección del tracto biliar potencialmente mortal. Aunque la enfermedad leve a menudo responde bien al tratamiento, la mortalidad reportada puede alcanzar el 50 % en casos graves1,5. La mortalidad puede aproximarse al 40 % cuando se desarrolla shock séptico14. La sepsis indica que la infección ya no está confinada al tracto biliar y puede progresar rápidamente hacia inflamación sistémica y disfunción multiorgánic...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Los autores declaran que no tienen intereses financieros ni extramateriales en conflicto. ChatGPT (OpenAI) se utilizó durante la revisión del manuscrito para ayudar con la edición del lenguaje, la gramática, la claridad y la organización. No se utilizó para generar ni analizar datos del estudio ni para obtener conclusiones científicas de forma independiente. Todo el contenido asistido por inteligencia artificial fue revisado críticamente y verificado por los autores, quienes asumen toda la responsabilidad sobre la exactitud, integridad y originalidad del manuscrito. Consentimiento para participar: Se obtuvo consentimiento informado por escrito de todos los participantes o de sus representantes legalmente autorizados.
Agradecimientos a todos los colaboradores en este artículo por su análisis de datos y redacción. Financiamiento: Este trabajo fue apoyado por el Proyecto de Investigación de Innovación Colaborativa 2024 entre la Escuela y el Gobierno Local del Colegio Médico de Jiangsu (202491011,202491007). Oficina de Ciencia y Tecnología de Changzhou (CJ20239026, CJ20244028).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Boruta (paquete R) | [version/CRAN] | Algoritmo de selección de características ejecutado dentro de la cohorte de entrenamiento | |
| glmnet / LASSO (paquete R) | [version/CRAN] | Regresión LASSO con validación cruzada de 10 pliegues para selección de características | |
| R | Fundación R para la Computación Estadística | versión 4.3.2 | Entorno de computación estadística de código abierto |
| Implementación de SHAP | [version] | Explicaciones Aditivas de Shapley para interpretación del modelo | |
| Stata | StataCorp | versión 17.0 | Software estadístico para análisis convencionales |
| Implementación de XGBoost | [version] | Modelo de aumento de gradiente extremo | |
| Plataforma Xsmart Analysis | [version] | Plataforma de análisis de aprendizaje automático |
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.