Martina Mueller, Jonas S Almeida, Romesh Stanislaus y Carol L Wagner
Justificación: Aunque el tratamiento de los bebés prematuros que respiran con asistencia de un respirador mecánico ha avanzado mucho en las últimas décadas, predecir el resultado de la extubación en un momento dado sigue siendo un desafío. Se han realizado numerosos estudios para identificar predictores del resultado de la extubación; Sin embargo, la tasa de bebés que fracasan en los intentos de extubación no ha disminuido. Objetivo: Desarrollar una herramienta de apoyo a la toma de decisiones para la predicción del resultado de la extubación en bebés prematuros utilizando un conjunto de algoritmos de aprendizaje automático. Métodos: Se utilizó un conjunto de datos reunidos de 486 bebés prematuros con ventilación mecánica para desarrollar modelos predictivos utilizando algoritmos de aprendizaje automático como redes neuronales artificiales (ANN), máquinas de vectores de soporte (SVM), clasificador bayesiano ingenuo (NBC), árboles de decisión potenciados (BDT) y regresión logística multivariable (MLR). El rendimiento de todos los modelos se evaluó utilizando el área bajo la curva (AUC). Resultados Para algunos de los modelos (ANN, MLR y NBC) los resultados fueron satisfactorios (AUC: 0,63-0,76); Sin embargo, dos algoritmos (SVM y BDT) mostraron un desempeño deficiente con AUC de ~0,5. Conclusión: Las predicciones de los médicos aún superan al aprendizaje automático debido a la complejidad de los datos y la información contextual que puede no estar capturada en los datos clínicos utilizados como entrada para el desarrollo de los algoritmos de aprendizaje automático. La inclusión de pasos de preprocesamiento en estudios futuros puede mejorar el desempeño de los modelos de predicción.