Introducción
Se estima que ocurren 4,2 millones de muertes anuales en los primeros 30 días postoperatorios. La Comisión de Lancet en Cirugía Global resalta la importancia de medir y reducir esta mortalidad. Este estudio desarrolló una calculadora de mortalidad perioperatoria específica para la población colombiana, pretendiendo identificar e intervenir tempranamente los pacientes con alto riesgo.
Métodos
Se utilizaron datos del estudio multicéntrico ColSOS, en el que se incluyeron 3807 pacientes de 54 centros en Colombia. Se recopilaron variables clínicas, sociodemográficas y perioperatorias; se manejaron los datos faltantes con imputación múltiple. La selección de variables se realizó mediante análisis bivariado, regresión Lasso y Recursive Feature Elimination (RFE). Se compararon modelos predictivos utilizando regresión logística y XGBoost, evaluando su rendimiento con validación cruzada.
Resultados
El modelo XGBoost fue seleccionado por mostrar una mejor sensibilidad y menor número de falsos negativos que la regresión logística. Se destacó la importancia en la predicción de la clasificación ASA, enfermedad pulmonar obstructiva crónica, inestabilidad hemodinámica y urgencia del procedimiento. El modelo predijo mortalidad con un área bajo la curva (AUC) de 0,87.
Conclusión
El presente estudio ha desarrollado la primera calculadora de mortalidad perioperatoria diseñada para la población colombiana, incluyendo múltiples especialidades quirúrgicas. El modelo de machine learning seleccionado presenta una sensibilidad y especificidad que la hacen equiparable a las mejores herramientas internacionales. La implementación de esta herramienta permite identificar y manejar tempranamente a los pacientes en riesgo, con lo que se podría mejorar la atención quirúrgica en Colombia.
Palabras clave
Inteligencia artificial; Cirugía general; Medición de riesgo; Mortalidad hospitalaria; Predicción