Browsing by Author "Espinoza Romero, Francisco Javier"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Predicción de IAAS en estancias UCI mediante base de datos MIMIC-III.
    (Universidad de Concepción, 2026) Espinoza Romero, Francisco Javier; Figueroa Iturrieta, Rosa Liliana
    Las infecciones asociadas a la atención en salud (IAAS) constituyen un problema crítico de seguridad del paciente, especialmente en unidades de cuidados intensivos (UCI), donde la condición clínica grave, el uso de dispositivos invasivos y las estancias prolongadas incrementan la morbilidad, la mortalidad y los costos hospitalarios. A pesar de los programas de vigilancia, las estrategias tradicionales presentan limitaciones para la detección temprana de estos eventos en contextos de alta carga asistencial y grandes volúmenes de datos clínicos. Este trabajo desarrolla y evalúa modelos de aprendizaje automático para la predicción temprana de IAAS en estancias UCI utilizando la base pública MIMIC-III v1.4, que contiene registros clínicos anonimizados de pacientes críticos del Beth Israel Deaconess Medical Center. Se seleccionó una cohorte de 28.763 estancias de pacientes adultos con permanencia en UCI ≥ 48 h, con una prevalencia de IAAS cercana al 3,3%. Las etiquetas de CLABSI, ITUAC y PVAP se derivaron de los criterios CDC/NHSN adaptados a MIMIC-III. Se construyó un conjunto de variables predictoras a partir de información demográfica, fisiológica, de laboratorio, microbiológica y de procedimientos, aplicando creación de tablas derivadas, limpieza de datos, tratamiento de rangos plausibles, preprocesamiento y manejo explícito del desbalance de clases. Se implementaron modelos de referencia y clasificadores basados en Random Forest y XGBoost, combinados con ajuste de pesos de clase, submuestreo (NearMiss) y sobremuestreo (SMOTE). El desempeño se evaluó mediante validación cruzada estratificada y en un conjunto de prueba con prevalencia original, utilizando métricas adaptadas a eventos raros (AUPRC, F2, recall), además de AUROC. El mejor rendimiento se obtuvo con XGBoost baseline ponderado, alcanzando un AUPRC de 0,097 (frente a 0,033 de modelos triviales), un AUROC de 0,752, un recall de 0,593 y un F2 de 0,265, lo que evidencia una capacidad real, aunque moderada, para priorizar pacientes con mayor riesgo de IAAS en un escenario de baja prevalencia. El análisis con valores SHAP mostró que la predicción se sustenta principalmente en marcadores de gravedad y nivel de intervención en UCI, en concordancia con la literatura. El estudio demuestra la factibilidad de aplicar técnicas de aprendizaje automático sobre MIMIC-III para apoyar la vigilancia epidemiológica de IAAS en UCI y resalta la importancia de emplear métricas alineadas con la prevalencia real del evento. No obstante, el carácter retrospectivo, unicéntrico y sin validación prospectiva en tiempo real limita la generalización de los modelos, por lo que se requieren estudios adicionales y validaciones externas antes de considerar su integración en la práctica clínica.
Síguenos en...