Resumen
Introducción La predicción de la estadía hospitalaria luego de una artroplastia total de cadera
(ATC) electiva es crucial en la evaluación perioperatoria de los pacientes, con un
rol determinante desde el punto de vista operacional y económico. Internacionalmente,
se han empleado macrodatos (big data , en inglés) e inteligencia artificial para llevar a cabo evaluaciones pronósticas
de este tipo. El objetivo del presente estudio es desarrollar y validar, con el empleo
del aprendizaje de máquinas (machine learning , en inglés), una herramienta capaz de predecir la estadía hospitalaria de pacientes
chilenos mayores de 65 años sometidos a ATC por artrosis.
Material y Métodos Empleando los registros electrónicos de egresos hospitalarios anonimizados del Departamento
de Estadísticas e Información de Salud (DEIS), se obtuvieron los datos de 8.970 egresos
hospitalarios de pacientes sometidos a ATC por artrosis entre los años 2016 y 2018.
En total, 15 variables disponibles en el DEIS, además del porcentaje de pobreza de
la comuna de origen del paciente, fueron incluidos para predecir la probabilidad de
que un paciente presentara una estadía acortada (< 3 días) o prolongada (> 3 días)
luego de la cirugía. Utilizando técnicas de aprendizaje de máquinas, 8 algoritmos
de predicción fueron entrenados con el 80% de la muestra. El 20% restante se empleó
para validar las capacidades predictivas de los modelos creados a partir de los algoritmos.
La métrica de optimización se evaluó y ordenó en un ranking utilizando el área bajo la curva de característica operativa del receptor (area under the receiver operating characteristic curve , AUC-ROC, en inglés), que corresponde a cuan bien un modelo puede distinguir entre
dos grupos.
Resultados El algoritmo XGBoost obtuvo el mejor desempeño, con una AUC-ROC promedio de 0,86
(desviación estándar [DE]: 0,0087). En segundo lugar, observamos que el algoritmo
lineal de máquina de vector de soporte (support vector machine , SVM, en inglés) obtuvo una AUC-ROC de 0,85 (DE: 0,0086). La importancia relativa
de las variables explicativas demostró que la región de residencia, el servicio de
salud, el establecimiento de salud donde se operó el paciente, y la modalidad de atención
son las variables que más determinan el tiempo de estadía de un paciente.
Discusión El presente estudio desarrolló algoritmos de aprendizaje de máquinas basados en macrodatos
chilenos de libre acceso, y logró desarrollar y validar una herramienta que demuestra
una adecuada capacidad discriminatoria para predecir la probabilidad de estadía hospitalaria
acortada versus prolongada en adultos mayores sometidos a ATC por artrosis.
Conclusión Los algoritmos creados a traves del empleo del aprendizaje de máquinas permiten predecir
la estadía hospitalaria en pacientes chilenos operado de artroplastia total de cadera
electiva.
Palabras Clave estadía hospitalaria - aprendizaje de máquinas - artroplastia total de cadera
