COMUNICACIÓN ORAL | 20 noviembre 2024, miércoles | Hora: 11:00
AUTORES
Reig Roselló, Gemma 1; Ríos Delgado, Maria 2; Riera López, Nicolas 3; Moreno Jiménez, Monica 4; Rodríguez Rodil, Nuria 3; Martínez Gómez, Jose 3; Nombela Merchán, Florentino 1; Trillo Senín, Santiago 1; null, Patricia 5; Fuentes Gimeno, Blanca 6; Cruz Culebras, Antonio 7; Vivancos Mora, Jose 1; Ayala Rodrigo, Jose Luis 2
CENTROS
1. Servicio de Neurología. Hospital Universitario de la Princesa; 2. Servicio: . Universidad Complutense de Madrid; 3. Servicio: . SUMMA 112; 4. Servicio: . ; 5. Servicio de Neurología. Hospital Universitario 12 de Octubre; 6. Servicio de Neurología. Hospital Universitario La Paz; 7. Servicio de Neurología. Hospital Ramón y Cajal
OBJETIVOS
Actualmente la selección de ictus por oclusión de gran vaso (IOV) extrahospitalaria se apoya en la utilización de escalas clínicas como la Madrid DIRECT (eMD). Nuestro objetivo es evaluar la capacidad de predicción de IOV en pacientes atendidos como código ictus extrahospitalario mediante técnicas de aprendizaje automático analizando datos clínicos y hemodinámicos.
MATERIAL Y MÉTODOS
Estudio observacional multicéntrico y prospectivo. Se incluyeron pacientes consecutivos atendidos como código ictus (CI) por el servicio de emergencias extrahospitalarias durante 2022 en los que se pudo obtener un registro de ECG y el diagnóstico final. Se recogieron las variables clínicas e información hemodinámica de monitorización. Se entrenó la capacidad predictiva de 4 modelos añadiendo información. Se dividió la muestra en 2 grupos: entrenamiento(70%) y validación(30%). Se comparó la capacidad predictiva con la eMD.
RESULTADOS
Se incluyeron 2491 CI, etiquetado diagnóstico en 2035 casos: isquémicos 1307(64%), hemorrágicos 310(15%), otros 418(21%). IOV en 656(40%). El modelo 1 utilizó información clínica + constantes vitales iniciales, entrenado en 487 pacientes. Modelo 2: añade seriación de constantes de monitor, 99 pacientes. Modelo 3: añade análisis de ECG, 98 pacientes. Modelo 4: añade análisis onda ECG, 57 pacientes. El modelo 3 obtuvo la mejor predicción de IOV: "precision" 68%, "recall" (sensibilidad) 93%, F1-score 79%. ROC 70%. Comparativamente eMD tuvo "precision"80% y "recall" 62%.
CONCLUSIONES
Las técnicas de aprendizaje automático permiten predecir IOV en un entorno extrahospitalario mediante variables clínicas y hemodinámicas de la monitorización con una elevada sensibilidad. Futuros estudios de esta línea de investigación tratarán de optimizar la capacidad predictiva de estos modelos.
