Antecedentes y objetivo:

identificar a los pacientes con alto riesgo de readmisión sigue siendo un desafío para los profesionales de la salud. A pesar del interés reciente en el uso del aprendizaje automático en este tema, los estudios son escasos y comúnmente utilizan solo algoritmos de caja negra. El objetivo de nuestro estudio fue desarrollar y validar in silico un modelo predictivo interpretable utilizando una inferencia de árbol de decisión para identificar a los pacientes pediátricos en riesgo de readmisiones potencialmente evitables a los 30 días.

Métodos:

estudio de cohortes retrospectivo realizado con todos los pacientes menores de 18 años ingresados en un hospital universitario terciario. Se recopilaron datos demográficos, clínicos y nutricionales de bases de datos electrónicas. El resultado fue la readmisión potencialmente evitable a los 30 días. Se utilizó el algoritmo J48 para desarrollar los árboles de mejor ajuste capaces de clasificar el resultado de manera eficiente. Se aplicó la validación cruzada leave-one-out y se calculó el área bajo la curva operativa del receptor (AUC).

Resultados:

los atributos más importantes del modelo fueron la proteína C-reactiva, los niveles de hemoglobina y sodio, además del monitoreo nutricional. Obtuvimos una AUC de 0,65 y una precisión del 63,3 % en el entrenamiento completo y la validación cruzada leave-one-out.

Conclusión:

nuestro modelo permite la identificación de readmisiones potencialmente evitables a los 30 días mediante indicadores prácticos, facilitando intervenciones oportunas por parte del equipo médico y podría contribuir a reducir este resultado.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )