metricas
covid
Buscar en
Medicina Clínica
Toda la web
Inicio Medicina Clínica Árboles de clasificación obtenidos mediante inteligencia artificial para la pr...
Información de la revista
Vol. 163. Núm. 4.
Páginas 167-174 (agosto 2024)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
4
Vol. 163. Núm. 4.
Páginas 167-174 (agosto 2024)
Original
Árboles de clasificación obtenidos mediante inteligencia artificial para la predicción de insuficiencia cardiaca tras el síndrome coronario agudo
Classification tree obtained by artificial intelligence for the prediction of heart failure after acute coronary syndromes
Visitas
4
Alberto Corderoa,b,c,
Autor para correspondencia
acorderofort@gmail.com

Autor para correspondencia.
, Vicente Bertomeu-Gonzalezb,c,d, José V. Segurae, Javier Moralese, Belén Álvarez-Álvarezc,f, David Escribanog, Moisés Rodríguez-Maneroc,f, Belén Cid-Alvarezc,f, José M. García-Acuñac,f, José Ramón González-Juanateyc,f, Asunción Martínez-Mayorale
a Departamento de Cardiología, Hospital IMED Elche, Elche, Alicante, España
b Grupo de Investigación Cardiovascular, Universidad Miguel Hernández, Elche, Alicante, España
c Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV), Madrid, España
d Departamento de Cardiología, Clínica Benidorm, Benidorm, Alicante, España
e Departamento de Estadística, Matemáticas e Informática, Instituto Universitario Centro de Investigación Operativa (CIO), Universidad Miguel Hernández, Elche, Alicante, España
f Departamento de Cardiología, Complejo Hospitalario de la Universidad de Santiago, Santiago de Compostela, A Coruña, España
g Departamento de Cardiología, Hospital Universitario de San Juan, San Juan de Alicante, Alicante, España
Este artículo ha recibido
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (3)
Mostrar másMostrar menos
Tablas (3)
Tabla 1. Subgrupos iniciales de potenciales predictores considerados para el modelo de partición
Tabla 2. Descripción de la cohorte en función de si presentaron o no reingreso por insuficiencia cardiaca
Tabla 3. Medidas de validación para la clasificación del evento en los diferentes percentiles con las curvas de tiempo hasta el evento
Mostrar másMostrar menos
Material adicional (1)
Resumen
Introducción

La cardiopatía isquémica es la primera causa de insuficiencia cardíaca (IC), y se necesitan herramientas para identificar a los pacientes con mayor probabilidad de desarrollar IC tras un síndrome coronario agudo (SCA). La inteligencia artificial (IA) ha demostrado ser útil para identificar variables relacionadas con el desarrollo de complicaciones cardiovasculares.

Métodos

Incluimos todos los pacientes consecutivos dados de alta tras SCA en dos centros españoles entre 2006 y 2017. Se recopilaron datos clínicos y se realizó un seguimiento de los pacientes durante una mediana de 53meses. Los modelos de árboles de decisión fueron creados por el algoritmo de partición recursivo basado en modelos.

Resultados

La cohorte fue de 7.097 pacientes, con una mediana de seguimiento de 53meses (rango intercuartílico: 18-77). La tasa de reingreso por IC fue del 13,6% (964 pacientes). Se identificaron ocho variables relevantes para predecir el tiempo de hospitalización por IC: IC en la hospitalización índice, diabetes, fibrilación auricular, tasa de filtración glomerular, edad, índice de Charlson, hemoglobina y fracción de eyección del ventrículo izquierdo. El modelo de árbol de decisiones proporcionó 15 patrones de riesgo clínico con tasas de reingreso por IC estadísticamente diferentes.

Conclusiones

El modelo de árbol de decisión, obtenido por IA, identificó ocho variables principales capaces de predecir IC y generó 15 patrones clínicos diferenciados con respecto a la probabilidad de ser hospitalizado por IC. Se creó una aplicación electrónica gratuita.

Palabras clave:
Síndrome coronario agudo
Insuficiencia cardiaca
Inteligencia artificial
Modelo de árbol de decisión
Aprendizaje automático
Abstract
Background

Coronary heart disease is the leading cause of heart failure (HF), and tools are needed to identify patients with a higher probability of developing HF after an acute coronary syndrome (ACS). Artificial intelligence (AI) has proven to be useful in identifying variables related to the development of cardiovascular complications.

Methods

We included all consecutive patients discharged after ACS in two Spanish centers between 2006 and 2017. Clinical data were collected and patients were followed up for a median of 53months. Decision tree models were created by the model-based recursive partitioning algorithm.

Results

The cohort consisted of 7,097 patients with a median follow-up of 53months (interquartile range: 18-77). The readmission rate for HF was 13.6% (964 patients). Eight relevant variables were identified to predict HF hospitalization time: HF at index hospitalization, diabetes, atrial fibrillation, glomerular filtration rate, age, Charlson index, hemoglobin, and left ventricular ejection fraction. The decision tree model provided 15 clinical risk patterns with significantly different HF readmission rates.

Conclusions

The decision tree model, obtained by AI, identified 8 leading variables capable of predicting HF and generated 15 differentiated clinical patterns with respect to the probability of being hospitalized for HF. An electronic application was created and made available for free.

Keywords:
Acute coronary syndrome
Heart failure
Artificial intelligence
Decision tree model
Machine learning

Artículo

Opciones para acceder a los textos completos de la publicación Medicina Clínica
Suscriptor
Suscriptor de la revista

Si ya tiene sus datos de acceso, clique aquí.

Si olvidó su clave de acceso puede recuperarla clicando aquí y seleccionando la opción "He olvidado mi contraseña".
Suscribirse
Suscribirse a:

Medicina Clínica

Comprar
Comprar acceso al artículo

Comprando el artículo el PDF del mismo podrá ser descargado

Precio 19,34 €

Comprar ahora
Contactar
Teléfono para suscripciones e incidencias
De lunes a viernes de 9h a 18h (GMT+1) excepto los meses de julio y agosto que será de 9 a 15h
Llamadas desde España
932 415 960
Llamadas desde fuera de España
+34 932 415 960
E-mail
Opciones de artículo
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos

Quizás le interese:
10.1016/j.medcli.2023.05.017
No mostrar más