Resumen - Predicción del Mortalidad en la Lista de Espera de Trasplante Cardíaco a Través del Tiempo hasta el Evento: Benchmarking con un Nuevo Conjunto de Datos Longitudinales de UNOS

Predicción del Mortalidad en la Lista de Espera de Trasplante Cardíaco a Través del Tiempo hasta el Evento: Benchmarking con un Nuevo Conjunto de Datos Longitudinales de UNOS

2025-07-09 23:51:31

{"Yingtao Luo","Reza Skandari","Carlos Martinez","Arman Kilic","Rema Padman"}

{stat.AP,cs.LG}

El artículo de investigación "Benchmarking Waitlist Mortality Prediction in Heart Transplantation Through Time-to-Event Modeling using New Longitudinal UNOS Dataset" explora los desafíos y las posibles mejoras en la predicción de la mortalidad de los pacientes en la lista de espera de trasplantes de corazón mediante el uso de modelos de tiempo hasta el evento con un nuevo conjunto de datos longitudinal de UNOS". Los autores, liderados por Yingtao Luo, utilizaron un nuevo conjunto de datos de la Red Unida para el Compartir de Órganos (UNOS) que incluye datos longitudinales de pacientes, donantes y órganos para construir y evaluar modelos de aprendizaje automático para predecir la mortalidad en la lista de espera. **Introducción y Antecedentes** La insuficiencia cardíaca es una preocupación de salud global significativa con altas tasas de mortalidad. El trasplante de corazón es un tratamiento potencial, pero la mortalidad en la lista de espera sigue siendo un problema significativo. El sistema de asignación de corazones de los Estados Unidos ha evolucionado para abordar este problema, pero los modelos de predicción de mortalidad existentes se limitan en su dependencia de datos estáticos de los pacientes y carecen de un punto de referencia estándar para la evaluación. **Objetivos del Estudio y Métodos** El estudio tenía como objetivo abordar estas limitaciones desarrollando y comparando modelos de aprendizaje automático que utilizan datos longitudinales de los pacientes para la modelización de tiempo hasta el evento de la mortalidad en la lista de espera. Los investigadores entrenaron sus modelos en 23,807 registros de pacientes con 77 variables y los evaluaron para la predicción de la supervivencia y la discriminación a una horizonte de un año. **Hallazgos y Resultados** El estudio encontró que los modelos dinámicos, que incorporan datos de pacientes que varían en el tiempo, superan significativamente a los modelos estáticos. El mejor modelo alcanzó un índice C de 0.94 y un AUC de 0.89, significativamente mejorando a los modelos anteriores. Los predictores clave de la mortalidad en la lista de espera alinearon con factores de riesgo conocidos, revelando también nuevas asociaciones. Estos hallazgos pueden apoyar la evaluación de la urgencia y la refinación de las políticas en la toma de decisiones sobre trasplantes de corazón. **Discusión e Implicaciones** El estudio subraya el valor de la modelización dinámica para la predicción de la mortalidad en la lista de espera de trasplantes de corazón. La incorporación de datos longitudinales proporciona una comprensión más precisa y matizada del riesgo del paciente, lo que puede llevar a una toma de decisiones mejorada y una reducción de la mortalidad en la lista de espera. Sin embargo, el estudio también destaca la necesidad de una validación adicional y la consideración de factores como la calidad de los datos y la interpretabilidad de los modelos. **Conclusiones** El estudio proporciona un punto de referencia para la predicción de la mortalidad en la lista de espera de trasplantes de corazón y demuestra el potencial de la modelización dinámica para mejorar los resultados de los pacientes. Al aprovechar los datos longitudinales y las técnicas avanzadas de aprendizaje automático, el estudio establece las bases para una toma de decisiones personalizada y equitativa en la transplante de corazón.