Evaluación del riesgo de bacteriemia en pacientes con neoplasias hematológicas en el servicio de urgencias: Estudio comparativo entre regresión logística y algoritmos de aprendizaje automático
Resumen
Objetivos: Nuestro objetivo es la estratificación del riesgo de padecer bacteriemia en el momento del ingreso en el servicio de urgencias (SU) en los pacientes con hemopatías malignas. Para ello comparamos el rendimiento de algoritmos de aprendizaje automático no supervisado y supervisado con el modelo clásico de regresión logística.
Métodos: Se realizó un estudio de cohorte retrospectivo multicéntrico internacional que incluyó visitas consecutivas de pacientes adultos con neoplasias hematológicas atendidos en urgencias y con solicitud de hemocultivos; el resultado primario fue la predicción de bacteriemia. El Bacteremia Objective Score System (BOSS)-1 utilizó regresión logística multivariante, BOSS-2 empleó K-means clustering y BOSS-3 aplicó un algoritmo de support vector machine. El rendimiento discriminativo se evaluó mediante sensibilidad y especificidad. Se realizó una validación externa de los resultados.
Resultados: La cohorte de derivación incluyó incluyeron 679 visitas al SU. Los hemocultivos fueron positivos en 88 (13%) casos. BOSS-1 identificó pacientes de bajo riesgo (3,1% de bacteriemia) con alta sensibilidad (94%; IC95%: 87-97) pero especificidad limitada (30%; IC95%: 26-34). BOSS-2 identificó mejor los pacientes de alto riesgo (29% de bacteriemia; sensibilidad 93% [IC95%: 84-97], especificidad 30% [IC95%: 26-34]). BOSS-3 permitió clasificar a todos los pacientes en categorías de bajo (66.8%) o alto riesgo (33.2%), sin grupo intermedio, a diferencia de los otros dos modelos, mostrando el mejor equilibrio entre sensibilidad (61%; IC95%: 59-64) y especificidad (71%; IC95%: 70-73) y obteniendo los resultados más reproducibles en la cohorte de validación externa.
Conclusiones: Los algoritmos BOSS permitieron una estratificación eficaz del riesgo de bacteriemia en los SU, destacando como mejor potencial clínico los modelos de aprendizaje automático supervisado.
Métodos: Se realizó un estudio de cohorte retrospectivo multicéntrico internacional que incluyó visitas consecutivas de pacientes adultos con neoplasias hematológicas atendidos en urgencias y con solicitud de hemocultivos; el resultado primario fue la predicción de bacteriemia. El Bacteremia Objective Score System (BOSS)-1 utilizó regresión logística multivariante, BOSS-2 empleó K-means clustering y BOSS-3 aplicó un algoritmo de support vector machine. El rendimiento discriminativo se evaluó mediante sensibilidad y especificidad. Se realizó una validación externa de los resultados.
Resultados: La cohorte de derivación incluyó incluyeron 679 visitas al SU. Los hemocultivos fueron positivos en 88 (13%) casos. BOSS-1 identificó pacientes de bajo riesgo (3,1% de bacteriemia) con alta sensibilidad (94%; IC95%: 87-97) pero especificidad limitada (30%; IC95%: 26-34). BOSS-2 identificó mejor los pacientes de alto riesgo (29% de bacteriemia; sensibilidad 93% [IC95%: 84-97], especificidad 30% [IC95%: 26-34]). BOSS-3 permitió clasificar a todos los pacientes en categorías de bajo (66.8%) o alto riesgo (33.2%), sin grupo intermedio, a diferencia de los otros dos modelos, mostrando el mejor equilibrio entre sensibilidad (61%; IC95%: 59-64) y especificidad (71%; IC95%: 70-73) y obteniendo los resultados más reproducibles en la cohorte de validación externa.
Conclusiones: Los algoritmos BOSS permitieron una estratificación eficaz del riesgo de bacteriemia en los SU, destacando como mejor potencial clínico los modelos de aprendizaje automático supervisado.
Palabras Clave
Hematología; bacteriemia; servicio de urgencias; aprendizaje automático