Predicción de infecciones asociadas a la atención de salud, en pacientes pediátricos críticos, mediante una red neural artificial con pesos aleatorios

Resumen

Las infecciones asociadas a la atención en salud (IAAS) son condiciones clínicas adversas con elevada incidencia que incrementan la morbimortalidad en unidades de cuidados intensivos pediátricos (UCIP), con tasas del 30% en países en desarrollo. La inteligencia artificial (IA) emerge como herramienta predictiva para optimizar intervenciones tempranas. Objetivo: Desarrollar y validar una máquina de aprendizaje automático (MAA), basada en una red neural con pesos aleatorios (NNRW), para la predicción de IAAS en pacientes de UCIP. Métodos: Enfoque cuantitativo, cuasi experimental, con enmascaramiento, no aleatorizado, prospectivo, analítico, de prueba diagnóstica. Se entrenó y ajustó la NNRW con datos retrospectivos (192 pacientes, 2020-2023) y se validó prospectivamente, considerando 31 pacientes pediátricos (1 mes-15 años) que fueron admitidos en UCIP entre enero-junio 2024, quienes cumplieron los criterios de inclusión. Resultados: Ninguna de las variables se relacionó de manera independiente con el desarrollo de IAAS, pero su combinación a través de la MAA permitió predecir IAAS satisfactoriamente. La MAA y los especialistas médicos generaron sensibilidades y especificidades de [(86,7% y 87,1%)] y de [(66,7% y 50%)], respectivamente. Además, para la MAA el área bajo la curva fue de 0,871 (IC95% 0,732 – 1,0) (excelente) y el Kappa de Cohen fue de 0,742 (concordancia considerable, error estándar = 0,121). Conclusión: Se generó una MAA que logró su propósito con alto grado de confianza y un error aceptable superando el juicio clínico tradicional. Este modelo innovador podría optimizar la toma de decisiones en UCIP vinculadas con la detección de IAAS en pacientes pediátricos críticos.

Introduction: Healthcare-associated infections (HAIs) are adverse clinical conditions with a high incidence that increase morbidity and mortality in pediatric intensive care units (PICUs), with rates of 30% in developing countries. Artificial intelligence (AI) emerges as a predictive tool to optimize early interventions. Objective: To develop and validate a machine learning (ML) model based on a random weighted neural network (RWNN) for predicting HAIs in PICU patients. Methods: Quantitative, quasi-experimental, masked, nonrandomized, prospective, analytical, diagnostic test approach. The RNNW was trained and adjusted with retrospective data (192 patients, 2020-2023) and validated prospectively, considering 31 pediatric patients (1 month-15 years) who were admitted to the PICU between January and June 2024 and who met the inclusion criteria. Results: None of the variables were independently associated with the development of IAAS, but their combination through the MAA allowed IAAS to be predicted satisfactorily. The MAA and medical specialists generated sensitivities and specificities of [(86.7% and 87.1%)] and [(66.7% and 50%)], respectively. In addition, for the AOM, the area under the curve was 0.871 (95% CI 0.732–1.0) (excellent) and Cohen's Kappa was 0.742 (considerable agreement, standard error = 0.121). Conclusion: An MAA was generated that achieved its purpose with a high degree of confidence and an acceptable error rate, surpassing traditional clinical judgment. This innovative model could optimize decision-making in PICUs related to the detection of AIAS in critically ill pediatric patients.