Prediciendo la gravedad de la apendicitis aguda: un modelo basado en machine learning

Abstract

Introducción: La apendicitis aguda (AA) es una de las emergencias quirúrgicas más comunes en todo el mundo. La evaluación precisa de la gravedad de la AA es crucial para evitar complicaciones graves como la perforación y la sepsis. Recientemente, el uso de modelos de Machine Learning (ML) ha mostrado un gran potencial para mejorar la precisión en la predicción de la gravedad de diversas patologías, incluyendo la AA. Objetivo: Desarrollar y validar un modelo de Random Forest (RF) para predecir la gravedad de la apendicitis aguda utilizando variables clínicas, de laboratorio y de imagen, con el fin de priorizar la intervención quirúrgica en pacientes con riesgo de complicaciones. Método: Se realizó un estudio retrospectivo con datos de pacientes sometidos a apendicectomía con diagnóstico de AA. El modelo de RF se construyó y validó utilizando un total de 682 casos, de los cuales 208 fueron clasificados como AA complicada. Se empleó la técnica de SMOTE para balancear las clases debido al desbalance en la distribución de casos complicados y no complicados. Se realizaron validaciones cruzadas mediante los métodos k-fold y Montecarlo para evaluar el desempeño del modelo. Resultados: El modelo de RF alcanzó una sensibilidad promedio del 87%, especificidad del 89% y un AUROC de 0.95 en la validación cruzada. Las variables predictoras más influyentes fueron los días de evolución, la glucosa sérica, el INR y el conteo de leucocitos. Estos resultados sugieren una alta capacidad del modelo para identificar casos de AA complicada, permitiendo una priorización efectiva en la intervención quirúrgica. Conclusiones: El modelo de RF desarrollado demostró un alto rendimiento en la predicción de la gravedad de la AA, lo que podría tener un impacto significativo en la práctica clínica, especialmente en centros de alto volumen. Se recomienda realizar estudios adicionales con un diseño prospectivo y validación externa en diferentes poblaciones para confirmar la aplicabilidad y utilidad del modelo en la práctica clínica diaria.