Mejora de modelos de predicción de sepsis en pacientes en Unidades de Cuidados Intensivos mediante técnicas de Machine Learning

Abstract

Este Trabajo Fin de Grado aborda la problemática de la sepsis, una enfermedad grave causada por una respuesta inmunitaria excesiva del cuerpo frente a una infección, que puede provocar daños irreversibles e incluso la muerte. La detección temprana y el tratamiento oportuno son cruciales para reducir la mortalidad y los costes hospitalarios asociados. Sin embargo, los métodos de evaluación convencionales no permiten un diagnóstico precoz preciso. En este contexto, se ha desarrollado un algoritmo innovador que combina datos clínicos y técnicas de Machine Learning para predecir la sepsis horas antes de la aparición de los síntomas. El objetivo fundamental es implementar un método de detección precoz de sepsis que apoye a los profesionales sanitarios en las Unidades de Cuidados Intensivos. Para lograrlo, se han estudiado los sistemas más recientes utilizados en la detección de sepsis, así como las soluciones exitosas basadas en Machine Learning presentes en la literatura científica. Se han explorado diversas opciones en la metodología aplicada, incluyendo la dependencia de los modelos según el conjunto de datos utilizado, la importancia de utilizar una técnica de Machine Learning basada en Modelos Ocultos de Markov para capturar explícitamente la dinámica temporal de los pacientes, la determinación del número óptimo de estados, la importancia de los clasificadores individuales y su combinación y el manejo de datos perdidos. Como resultado, se ha propuesto un nuevo algoritmo que combina clasificadores base derivados de las variables clínicas y estrategias de combinación de clasificadores. El clasificador base utilizado son los Modelos Ocultos de Markov, y se han explorado estrategias de combinación lineal, combinación producto y majority voting. Este trabajo incluye el diseño de un módulo específico para la detección temprana de episodios de sepsis, con atención particular en las 6 horas previas a la manifestación de los síntomas. Para evaluar la efectividad del diseño propuesto, se ha realizado un análisis exhaustivo utilizando la base de datos proporcionada por el reto internacional “Physionet Challenge: Early Prediction of Sepsis from Clinical Data. The PhysioNet Computing in Cardiology Challenge, 2019”. Además, se ha tomado como referencia la investigación previa realizada en dos TFM anteriores, que también hicieron uso de dicha base de datos. Esta base de datos contiene información clínica de 40.300 pacientes sépticos y no sépticos de dos hospitales distintos, divididos en los conjuntos A y B. Se han introducido diferentes métricas de calidad como la exactitud, sensibilidad, especificidad, puntuación F1 y coeficiente Kappa para evaluar el rendimiento de los modelos. Los resultados obtenidos demuestran que los Modelos Ocultos de Markov son los clasificadores base más efectivos para la detección de sepsis entre todos los analizados. Además, la estrategia de combinación lineal ha demostrado ser la más exitosa. En resumen, este TFG presenta un enfoque innovador para la detección temprana de la sepsis utilizando técnicas de Machine Learning y datos clínicos. Los resultados obtenidos respaldan la eficacia del algoritmo propuesto y su potencial para mejorar la atención médica en las UCI, ayudando a reducir la mortalidad y los costes asociados a la sepsis.