Modelos predictivos de morbimortalidad en pacientes con hemorragias intracraneales

Abstract

Las hemorragias intracraneales (ICH) constituyen una de las principales causas de mortalidad en nuestro medio. Su incidencia es alta, y su letalidad se sitúa en torno al 50%. Las medidas terapéuticas existentes son pocas: soporte vital, tratamiento neuroquirúrgico y tratamiento neuro intervencionista. La selección del tratamiento adecuado en cada caso supone una de las principales estrategias para disminuir la morbimortalidad, pero también supone un reto. Las escalas y herramientas de estratificación del riesgo son por el momento insatisfactorias, por lo que se precisa de la identificación de nuevos factores pronósticos que sirvan para desarrollar herramientas que ayuden a la toma de decisiones clínicas. En este sentido, las técnicas estadísticas desarrolladas en el campo del análisis de supervivencia y la reciente adaptación de algoritmos de Machine Learning (ML) al manejo de datos censurados, pueden aportar nuevas aproximaciones que permitan el desarrollo de modelos pronósticos eficientes. Partiendo de este contexto, este proyecto se ha propuesto encontrar nuevos factores pronósticos y desarrollar una herramienta de estratificación del riesgo en pacientes con ICH, con la premisa necesaria de que esta sea de implantación y difusión sencillas. Para ello, se han recogido datos relativos a más de 160 variables de un total de 300 pacientes. Los resultados apuntaron a los niveles séricos de glucosa (p < 0.005), la actividad de la protrombina (p < 0.005), las horas de evolución del hematoma (p < 0.005), la Escala Coma de Glasgow (p < 0.005), y a la comorbilidad asociada, como los factores con mayor capacidad predictiva de supervivencia. En lo referente a los modelos desarrollados, el mayor rendimiento fue obtenido por aquellos basados en la regresión de Cox, que alcanzaron niveles altos de rendimiento con un c-index de hasta 0.84 95% IC (0.75,0.90). Los modelos de ML adaptados al análisis de supervivencia, incluyendo Support Survival Machines, Random Survival Forests, y modelos Gradient Boosted, mostraron resultados menos satisfactorios. Con todo ello, se propone un modelo de Cox basado en cinco variables clínicas, como herramienta para ayudar en la toma de decisiones de los pacientes con ICH, a falta de un estudio de validación clínica posterior.

Intracranial hemorrhage (ICH) is one of the main death causes in our environment. It has a high incidence and lethality, which is around 50%. The therapeutic measures available are quite limited: life support, neurosurgical treatment and neurointerventional treatment. The selection of the appropriate treatment is one of the main strategies to reduce morbidity and mortality, but it is also a challenge. Scales and tools for the stratification of risk remain unsatisfactory, so new prognostic factors need to be identified in order to develop new models for clinical decision making. In this sense, the statistical techniques developed in the field of survival analysis and the recent Machine Learning (ML) algorithms adaptation to handle censored data can provide new approaches to develop new efficient prognostic models. In this context, the aim of this project was to find new prognostic factors and develop a risk stratification tool for patients with ICH, with premise of being easy-to-implement and divulge. To this end, data of more than 160 variables belonging to 300 patients were collected. The results showed that glucose levels (p < 0.005), prothrombin activity (p < 0.005), hours evolution from the clinical onset (p < 0.005), Glasgow Coma Scale (p < 0.005), and the comorbidity associated, were considered the factors with the highest predictive power of survival. Regarding the models, the highest performance was obtained by those based on Cox regression, which reached high levels of performance with a c-index of up to 0.84 95% CI (0.75,0.90). ML models adapted to survival analysis, including Support Survival Machines, Random Survival Forests, and Gradient Boosted models, showed less satisfactory results. According to the results, a Cox model based on five clinical variables was proposed as a potential tool to aid in decision making for patients with ICH, although further clinical validation study is required.