Medición de la mortalidad de pacientes internados por enfermedad cardiovascular mediante el desarrollo de un algoritmo de inteligencia artificial

Contenido principal del artículo

Francisco E. Peper
María B. Cardone
Santiago Esteban

Resumen

Introducción: determinar la causa de muerte de los pacientes internados con enfermedad cardiovascular es de suma importancia para poder tomar medidas y así mejorar la calidad su atención y prevenir muertes evitables.


Objetivos: determinar las principales causas de muerte durante la internación por enfermedades cardiovasculares.


Desarrollar y validar un algoritmo para clasificar automáticamente a los pacientes fallecidos durante la internación con Enfermedades cardiovasculares


Diseño del estudio: estudio exploratorio retrospectivo. Desarrollo de un algoritmo de clasificación.


Resultados: del total de 6161 pacientes,  el 21,3% (1316) se internaron por causas cardiovasculares; las enfermedades cerebrovasculares representan el 30,7%, la insuficiencia cardíaca el 24,9% y las enfermedades cardíacas isquémicas el 14%.


El algoritmo de clasificación según motivo de internación cardiovascular vs. no cardiovascular alcanzó una precisión de 0,9546 (IC 95%: 0,9351-0,9696).  El algoritmo de clasificación de causa específica de internación cardiovascular alcanzó una precisión global de 0,9407 (IC 95%: 0,8866-0,9741).


Conclusiones: la enfermedad cardiovascular representa el 21,3% de los motivos de internación de pacientes que fallecen durante su desarrollo. Los algoritmos presentaron en general buena performance, particularmente el de clasificación del motivo de internación cardiovascular y no cardiovascular y el clasificador según causa específica de internación cardiovascular.

Detalles del artículo

Cómo citar
1.
Peper FE, Cardone MB, Esteban S. Medición de la mortalidad de pacientes internados por enfermedad cardiovascular mediante el desarrollo de un algoritmo de inteligencia artificial. Rev. Hosp. Ital. B.Aires [Internet]. 31 de marzo de 2022 [citado 23 de mayo de 2024];42(1):p. 12-20. Disponible en: //ojs.hospitalitaliano.org.ar/index.php/revistahi/article/view/139
Sección
Artículo original

Citas

Argentina. Ministerio de Salud. Indicadores básicos Argentina 2015 [Internet]. [Buenos Aires: el Ministerio; 2015.] [citado 2021 jun 10]. Disponible en: https://iris.paho.org/handle/10665.2/18697.

Jarman B, Pieter D, van der Veen AA, et al. The hospital standardised mortality ratio: a powerful tool for Dutch hospitals to assess their quality of care? Qual Saf Health Care. 2010;19(1):9-13. https://doi.org/10.1136/qshc.2009.032953.

Understanding HSMRs: a toolkit on hospital standardised mortality ratios: versión 6, October 2011 [Internet]. [London: Dr. Foster Intelligence; 2011] [citado 2022 mar 11]. Disponible en: https://beyondclinical.files.wordpress.com/2014/01/hsmr-toolkit-version-6-october-20111.pdf.

Shah AD, Martinez C, Hemingway H. The freetext matching algorithm: a computer program to extract diagnoses and causes of death from unstructured text in electronic health records. BMC Med Inform Decis Mak. 2012;12:88. https://doi.org/10.1186/1472-6947-12-88.

Organización Panamericana de la Salud. Clasificación estadística internacional de enfermedades y problemas relacionados con la salud [Internet]. 10a ed. rev. Washington, DC: OPS; 1995 [citado 2021 jun 10]. Disponible en: http://iris.paho.org/xmlui/bitstream/handle/123456789/6282/Volume1.pdf

Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput. 1997;9(8):1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735.

Bahdanau D, Cho K, Bengio Y.Neural machine translation by jointly learning to align and translate. arXiv 1409.0473 [Preprint]. [Posted 2014 Sept 1; last rev. 2016 May 19 (this version, v7); citado 2021 jun 10]. Disponible en: https://arxiv.org/abs/1409.0473 https://doi.org/10.48550/arXiv.1409.0473.

Bojanowski P, Grave E, Joulin A, et al. Enriching word vectors with subword information. arXiv 1607.04606 [Preprint]. [Posted 2016 Jul 15; last rev. 2017 Jun 17 (this version, v2); citado 2021 jun 10]. Disponible en: https://arxiv.org/abs/1607.04606 https://doi.org/10.48550/arXiv.1607.04606.

Baumel T, Nassour-Kassis J, Cohen R, et al. Multi-label classification of patient notes: case Study on ICD code assignment [Internet]. AAAI Conference on Artificial Intelligence. 2018;409-416 [citado 2021 jun 10]. Disponible en: https://aaai.org/ocs/index.php/WS/AAAIW18/paper/download/16881/15610.

Blugerman G, Peroni HJ Guenzelovich T, et al. Causa de mortalidad en el ámbito de la internación: reporte del registro de causa de mortalidad en un hospital de la comunidad [Presentación]. Buenos Aires: Hospital Italiano de Buenos Aires; 2012 [citado 2021 jun 10]. Disponible en: https://www.hospitalitaliano.org.ar/multimedia/archivos/servicios_attachs/8054.pdf.

Koopman B, Karimi S, Nguyen A,et al. Automatic classification of diseases from free-text death certificates for real-time surveillance. BMC Med Inform Decis Mak. 2015;15:53. https://doi.org/10.1186/s12911-015-0174-2.

Koopman B, Zuccon G, Nguyen A, et al. Automatic ICD-10 classification of cancers from free-text death certificates. Int J Med Inform. 2015;84(11):956-965. https://doi.org/10.1016/j.ijmedinf.2015.08.004.

Argentina. Ministerio de Salud. Resolución N°1013/2018 [Internet]. Buenos Aires: el Ministerio; 2018 mayo 28 [citado 2021 jun 10]. Disponible en: http://servicios.infoleg.gob.ar/infolegInternet/anexos/310000-314999/310893/norma.htm.