Prehospital triage of acute aortic syndrome using a machine learning algorithm.
Br J Surg
; 107(8): 995-1003, 2020 07.
Article
in En
| MEDLINE
| ID: mdl-32043569
RESUMEN
ANTECEDENTES: Los síndromes aórticos agudos (aortic acute syndromes, AAS) constituyen un grupo complejo y potencialmente letal de entidades que requieren un tratamiento especializado en emergencias. El objetivo de este estudio fue construir un algoritmo de predicción para ayudar a la selección prehospitalaria de los AAS. MÉTODOS: Se recogieron prospectivamente una serie de pacientes consecutivos inscritos en una red regional especializada en patología aórtica. Se desarrollaron dos algoritmos de predicción para AAS basados en una regresión logística y en un método de aprendizaje automático denominado Super Learner (SL). Undertriage (infra-selección) se definió como la proporción de pacientes con AAS no transportados al centro especializado en patología aórtica y el overtriage (sobre-selección) como la proporción de pacientes con diagnósticos alternativos al AAS pero transportados al centro especializado en patología aórtica. RESULTADOS: Se incluyeron los datos de 976 ingresos hospitalarios entre febrero de 2010 y junio de 2017, con 609 (62,4%) AAS. Las tasas de overtriage y undertriage fueron del 52,3% y del 16,1%, respectivamente. La población se dividió en una cohorte de entrenamiento (n = 743) y en una cohorte de validación (n = 233). El área bajo la curva ROC para la puntuación de regresión logística y el SL fueron de 0,68 (0,64, 0,72) y de 0,87 (0,84, 0,89), respectivamente (P < 0,001) en la cohorte de entrenamiento, y de 0,67 (0,60, 0,74) y de 0,73 (0,66, 0,79) en la cohorte de validación (P = 0,038). La puntuación de regresión logística se asoció con tasas de undertriage y overtriage de 33,7% (i.c. del 95% bootstrapped 29,3%, 38,3%) y de 7,2% (4,8%, 9,8%), respectivamente, mientras que el SL presentó tasas de undertriage y overtriage de 1,0% (0,3%, 2,0%) y de 30,2% (25,8%, 34,8%), respectivamente. CONCLUSIÓN: El modelo de predicción de aprendizaje automático funcionó bien para discriminar AAS y podría ser clínicamente útil en la selección prehospitalaria de pacientes con sospecha de síndrome aórtico agudo.
Full text:
1
Collection:
01-internacional
Database:
MEDLINE
Main subject:
Aortic Diseases
/
Algorithms
/
Triage
/
Emergency Medical Services
/
Machine Learning
/
Clinical Decision Rules
Type of study:
Observational_studies
/
Prognostic_studies
/
Risk_factors_studies
Limits:
Aged
/
Female
/
Humans
/
Male
/
Middle aged
Language:
En
Journal:
Br J Surg
Year:
2020
Document type:
Article
Affiliation country:
Francia
Country of publication:
Reino Unido