Objetivo:

El objetivo fue desarrollar, entrenar y probar diferentes modelos basados en algoritmos de redes neuronales (RN) para mejorar el rendimiento del score del Registro Global de Eventos Coronarios Agudos (GRACE) para predecir la mortalidad hospitalaria después de un síndrome coronario agudo.

Métodos:

Analizamos una base de datos prospectiva que incluía 40 variables de ingreso de 1255 pacientes con síndrome coronario agudo en un hospital comunitario. Las variables incluidas en la puntuación GRACE se usaron para entrenar y probar tres algoritmos basados en RN (modelos guiados), a saber: perceptrones multicapa de una y dos capas ocultas y una red de función de base radial. Se construyeron tres RN adicionales utilizando las 40 variables de admisión de toda la base de datos (modelos no guiados). La mortalidad esperada según el GRACE se calculó usando la ecuación de regresión logística.

Resultados:

En términos del área ROC y valor predictivo negativo (VPN), casi todos los algoritmos RN superaron la regresión logística. Solo los modelos de función de base radial obtuvieron un mejor nivel de precisión basado en la mejora del VPN, pero a expensas de la reducción del valor predictivo positivo (VPP). La importancia normalizada de las variables incluidas en la mejor RN no guiada fue: creatinina 100%, clase Killip 61%, fracción de eyección 52%, edad 44%, nivel máximo de creatina quinasa 41%, glucemia 40%, bloqueo de rama izquierda 35%, y peso 33%, entre los 8 predictores principales.

Conclusiones:

El tratamiento de las variables del score GRACE mediante algoritmos de RN mejoró la precisión y la discriminación en todos los modelos con respecto al enfoque tradicional de regresión logística; sin embargo, el VPP solo mejoró marginalmente. La selección no guiada de variables podría mejorar los resultados en términos de PPV.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )