Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques

Abstract

Antecedentes: La predicción de los resultados de la hemorragia subaracnoidea (HSA) ayuda a orientar la atención y comparar las estrategias de tratamiento globales. Los modelos de regresión logística para la predicción de resultados pueden resultar complicados de aplicar en la práctica clínica.

Objetivo: Utilizar técnicas de aprendizaje automático para construir un modelo de predicción de resultados que haga que el conocimiento descubierto a partir de los datos sea explícito y comunicable a los expertos del dominio.

Material y métodos: Se analizó una cohorte de derivación (n = 441) de casos no seleccionados de HSA utilizando diferentes algoritmos de clasificación para generar árboles de decisión y reglas de decisión. Los algoritmos utilizados fueron C4.5, aprendizaje rápido de árboles de decisión, árboles de decisión parciales, poda incremental repetida para producir reducción de error, vecino más cercano con generalización y aprendizaje de reglas de ondulación descendente. El resultado se dicotomizó en favorable [escala de resultados de Glasgow (GOS) = I-II] y malo (GOS = III-V). Se utilizó una cohorte independiente (n = 193) para la validación. Se entregó un cuestionario exploratorio a los usuarios potenciales (médicos especialistas) para recabar su opinión sobre el clasificador y su usabilidad en la rutina clínica.

Resultados: El mejor clasificador se obtuvo con el algoritmo C4.5. Utiliza sólo dos atributos [World Federation of Neurological Surgeons (WFNS) y escala de Fisher] y conduce a un árbol de decisión simple. La precisión del clasificador [área bajo la curva ROC (AUC) = 0,84; intervalo de confianza (IC) = 0,80-0,88] es similar a la obtenida por un modelo de regresión logística (AUC = 0,86; IC = 0,83-0,89) derivado de los mismos datos y se considera que se ajusta mejor al uso clínico.