COMUNICACIÓN POSTER
AUTORES
Marta Enguita, Juan 1; Martinez Garcia, Mario 2; Rubio Baines, Idoia 3; Herrera Isasi, Maria 3; Mendioroz Iriarte, Maite 3; Muñoz Arrondo, Roberto 3; de la Riva Juez, Patricia 1; Martinez Zabaleta, Maite 1; null, Inaki 4; null, Jose Antonio 5
CENTROS
1. Servicio de Neurología. Hospital Donostia-Donostia Ospitalea; 2. Servicio: BCAM. Basque Center for Applied Mathemathics; 3. Servicio de Neurología. Hospital de Navarra; 4. Servicio: Facultad Informática. Universidad Pais Vasco (UPV/EHU); 5. Servicio: BCAM. Basque Center for applied Mathemathics
OBJETIVOS
La aplicación de modelos predictivos pronósticos en la práctica clínica es fundamental en la toma de decisiones. Sin embargo, su carácter estático limita su aplicabilidad por no tener los falsos positivos/negativos (FP/FN) la misma repercusión según la decisión en la que influyan. Proponemos la optimización de modelos predictivos en ictus isquémico mediante el uso de técnicas de computación en Python para su adecuación a preguntas clínicas concretas.
MATERIAL Y MÉTODOS
Registro observacional retrospectivo de 492 casos de ictus isquémico atendidos entre 11/2015-06/2018 con variables clínico-demográficas y pronósticas, con mortalidad (Mort3m) e independencia funcional (IF3m, mRS 0-2) a los 3 meses como variables resultado. Se construyó mediante optimización multiobjetivo una batería de 5 modelos de regresión logística que cubrían todo el espectro de sensibilidad y especificidad para cada problema clínico (Mort3m e IF3m) mediante asignación de pesos específicos a cada variable.
RESULTADOS
Se diseñaron modelos predictivos para Mort3m e IF3m, con 5 versiones diferentes que permiten adecuar la capacidad predictiva a la situación clínica (rangos de sensibilidad/especificidad entre 0’4-0’9). Además se plantean diferentes escenarios clínicos en los que aplicar estos rangos dinámicos. Así, un modelo específico para mortalidad filtrará pacientes con posibilidades máximas de fallecer facilitando la información pronóstica y adecuación precoz evitando FP, mientras que un modelo hipersensible en IF3m permitiría aplicar rehabilitación intensiva en todos los pacientes que puedan llegar a IF3m a riesgo de FP pero evitando FN.
CONCLUSIONES
La disponibilidad de modelos predictivos dinámicos permite su adecuación a cada situación clínica optimizando los algoritmos en favor de una mejor utilización de recursos.
