IM MÉDICO #48

im MÉDICO | 48 43 E l paro cardíaco extrahospitalario (PCEH) representa una sustancial carga sanitaria global, como demuestra un es- tudio internacional realizado entre 1991 y 2007, en el que su incidencia en Europa y Norteamérica alcanzó los 86,4 y 98,1 caos por persona-años, respectivamente. A pesar de la interven- ción de los servicios de emergencia, la supervivencia al alta es extremadamentebaja, loque impone la necesidaddedesarrollar mecanismos capaces de predecir el PCEH de manera diaria y fiable. Dado que ya es conocido que su incidencia se ve afectada por las condicionesmeteorológicas, el aprovechamientodedatos meteorológicos de alta resolución puede contribuir a establecer tal sistema predictivo. La identificación de asociaciones en datos caracterizados por su complejidad y volumen requiere técnicas capaces de integrar múltiples variables cuantitativas, como es el casodel MachineLearning (ML), lacual surgecomoalternativaa los enfoquesestadísticosunidimensionales convencionales. El análisis por ML de la combinación formada por la incidencia conocida del PCEHy lapredicciónmeteorológicadiariapuedegenerar un siste- madealertatempranapara individuosdealtoriesgo,materializado como dispositivo conectado al internet de las cosas. Diseño del estudio Considerando los datos del registro nacional japonés de emer- gencias durante diez años y los proporcionados por una filial de IBM especializada en predicciones meteorológicas a una resolu- ción de 30 km, se generaron los conjuntos de datos destinados tanto al entrenamiento como al testadodel algoritmodeML. Las variables meteorológicas incluyeron la temperatura ambiente, presión atmosférica, humedad relativa, precipitacióndurante las horas previas, nieve, nubosidad y velocidad del viento, mientras que las variables cronológicas estuvieron formadas por las esta- ciones, días de la semana y el períodovacacional propiode Japón. Para el desarrollo del modelo predictivo de incidencia diaria del PCEH, se utilizó el algoritmo eXtreme Gradient Boosting, usado frecuentemente en la resolución de problemas mediante ML, conhiperparámetros seleccionados paramaximizar la capacidad predictiva mediante validación cruzada cuádruple. Esta última clasifica los datos en cuatro grupos, utilizando uno de ellos en la validación y repitiendo el proceso un total de cuatro veces en las cuales el grupode validación es distinto. La fiabilidaddel modelo obtenido está basada en lamedia de error absoluto (MAE) y en la mediadel porcentajedeerror absoluto (MAPE) entre lapredicción de incidencia y la incidencia real, considerándose que valores de MAPE inferiores a 10% reflejan una elevada fiabilidad. La contri- bución relativa de cada variablemeteorológica a la predicciónde PCEH fueevaluadademanera separadamedianteotroalgoritmo. Predicción altamente precisa Aunqueelmodelodesarrolladomostrófiabilidaden lapredicción de PCEHbasada, obienendatosmeteorológicos, obienendatos cronológicos, la combinación de ambos tipos de datos mejoró significativamente el poder predictivo, el cual alcanzó valores de MAPE de 7 y 7,78% en los conjuntos de entrenamiento y testado, respectivamente. También la correlación entre los valores observados y los predichos fuemayor, con valo- res próximos al 88% en ambos conjuntos. La fiabilidad del modelo quedó representada en la predicción de incidencia de PCEH en la ciudad de Kobe en la semana del 28 de enero al 3 de febrero de 2018, en la que se dieron 27 casos y se predijeron 24. La predicción fue también correcta en cua- tro de los nueve distritos de la ciudad. En el ámbito de las variables meteorológicas, la que mayor asociación mostró con la incidencia de PCEH fue una temperatura ambiente inferior a la media. Las diferen- cias mayores con la tempera- tura media del día anterior, así como entre las temperaturas mínima y máxima del mismo día, tambiénmostraronsermás importantes en la predicción Importanciade lasvariablesmeteorológicasycronológicasenunmodelopredictivodeaprendizajeautomático. Esta figura muestra gráficas para variables meteorológicas (A) y cronológicas (B) en el modelo predictivo de aprendizaje automático utilizando XGBoost. Los puntos amarillos a violetas en cada fila representan valores bajos a altos del número de eventos OHCA correspondientes a esa variable meteorológica o cronológica. El eje Xmuestra el valor de Shapley, que indica el impacto de la variable en el modelo. Los valores SHAP positivos tienden a conducir las predicciones hacia un eventoOHCA, y los valores SHAP negativos tienden a conducir la predicción hacia ningún evento OHCA. * En el modelo, 2005 se consideró año 0. OHCA, paro cardíaco extra- hospitalario; SHAP, explicaciones de los aditivos de Shapley; XGBoost, eXtreme Gradient Boosting.