medigraphic.com
Colegio de Medicina Interna de México.

2025, Número 04

<< Anterior Siguiente >>

Med Int Mex 2025; 41 (04)


Modelo de red neuronal para predecir diálisis a 14 días en pacientes con insuficiencia renal aguda

Guevara TA

Idioma: Español
Referencias bibliográficas: 17
Paginas: 219-233
Archivo PDF: 235.34 Kb.


RESUMEN

Objetivo: Desarrollar y evaluar un modelo de red neuronal tipo perceptrón multicapa para predecir la necesidad de diálisis a 14 días en pacientes hospitalizados con insuficiencia renal aguda.
Materiales y Métodos: Estudio analítico, longitudinal, que utilizó una base de datos secundaria de alcance internacional, disponible en el repositorio de datos científicos y médicos Dryad (https://datadryad.org) de pacientes con insuficiencia renal aguda. Se incluyeron 42 variables clínicas y de laboratorio. La base se dividió en adiestramiento (69.2%) y prueba (30.8%). Se adiestró una red neuronal artificial con una capa oculta de 9 neuronas (tangente hiperbólica) y una salida con función Softmax. Se utilizó entropía cruzada como función de pérdida. El desempeño del modelo se evaluó mediante precisión, área bajo la curva (AUC) y métricas de clasificación.
Resultados: Se incluyeron 4985 pacientes. El modelo tuvo un error de entropía cruzada de 64,582 (adiestramiento) y 60,260 (prueba), con tasas de error del 0.7 y 1%. Las neuronas decisivas fueron: H1:2, H1:3, H1:6 y H1:7; destacó H1:3 (diálisis previa, SOFA, creatinina). El AUC fue de 0.995, con precisión del 99.3% (adiestramiento) y 99% (prueba). La distribución de pseudoprobabilidad mostró alta confianza en la clasificación, y la curva de ganancias identificó casi el 100% de los casos positivos en el 10% de mayor riesgo.
Conclusiones: La red tipo perceptrón multicapa mostró alta precisión en la predicción de diálisis en pacientes con insuficiencia renal aguda, lo que apoya la toma de decisiones clínicas. Se recomienda la validación en cohortes externas.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Scarpioni R, Valsania T, Albertazzi V, Blanco V, et al. Acutekidney injury, a common and severe complication inhospitalized patients during the COVID-19 pandemic. JNephrol 2021; 34 (4): 1019-24. http://dx.doi.org/10.1007/s40620-021-01087-x

  2. Gameiro J, Fonseca JA, Outerelo C, Lopes JA. Acute kidneyinjury: From diagnosis to prevention and treatmentstrategies. J Clin Med 2020; 9 (6): 1704. http://dx.doi.org/10.3390/jcm9061704

  3. Loeffler J, Hassan M, Qaqish F, Dimachkie R, et al. Predictorsof renal replacement therapy requirement in cirrhoticpatients with acute kidney injury. Dig Dis Sci 2025. http://dx.doi.org/10.1007/s10620-025-08881-8

  4. Mas-Font S, Ros-Martinez J, Pérez-Calvo C, Villa-Díaz P,et al. Prevention of acute kidney injury in Intensive CareUnits. Med Intensiva (Engl Ed) 2017; 41 (2): 116-26. https://linkinghub.elsevier.com/retrieve/pii/S2173572717300395

  5. Lai T-S, Tsao H-M, Chou Y-H, Liang S-L, et al. A competingrisk predictive model for kidney failure in patientswith advanced chronic kidney disease. J Formos MedAssoc 2024; 123 (7): 751-7. http://dx.doi.org/10.1016/j.jfma.2023.11.010

  6. Bajaj T, Koyner JL. Artificial intelligence in acute kidneyinjury prediction. Adv Chronic Kidney Dis 2022; 29 (5):450-60. http://dx.doi.org/10.1053/j.ackd.2022.07.009

  7. Wilson F. Automated, medication-targeted alerts for AcuteKidney Injury – A randomized trial. Dryad 2022. http://dx.doi.org/10.5061/DRYAD.KH189327P

  8. Wilson FP, Yamamoto Y, Martin M, Coronel-Moreno C, LiF, Cheng C, et al. A randomized clinical trial assessing theeffect of automated medication-targeted alerts on acutekidney injury outcomes. Nat Commun 2023; 14 (1): 1-10.https://www.nature.com/articles/s41467-023-38532-3

  9. Hoste EAJ, Bagshaw SM, Bellomo R, Cely CM, et al. Epidemiologyof acute kidney injury in critically ill patients: the multinationalAKI-EPI study. Intensive Care Med 2015; 41 (8):1411-23. http://dx.doi.org/10.1007/s00134-015-3934-7

  10. The REporting of studies Conducted using ObservationalRoutinely-collected health Data (RECORD) Statement.https://www.equator-network.org/reporting-guidelines/record/

  11. Montesinos López OA, Montesinos López A, Crossa J. Fundamentalsof artificial neural networks and deep learning.In: Multivariate statistical machine learning methods forgenomic prediction. Cham: Springer International Publishing;2022: 379-425. http://dx.doi.org/10.1007/978-3-030-89010-0_10

  12. Isabona J, Imoize AL, Ojo S, Karunwi O, Kim Y, Lee C-C, et al.Development of a multilayer perceptron neural network foroptimal predictive modeling in urban microcellular radioenvironments. Appl Sci (Basel) 2022; 12 (11): 5713. https://www.mdpi.com/2076-3417/12/11/5713

  13. Kadnár M, Káčer P, Harničárová M, Valíček J, et al. Comparisonof linear regression and artificial neural networkmodels for the dimensional control of the welded stampedsteel arms. Machines 2023; 11 (3): 376. https://www.mdpi.com/2075-1702/11/3/376

  14. Demirjian S, Chertow GM, Zhang JH, O’Connor TZ, et al.Model to predict mortality in critically ill adults with acutekidney injury. Clin J Am Soc Nephrol 2011; 6 (9): 2114-20.http://dx.doi.org/10.2215/cjn.02900311

  15. De Rosa S, Greco M, Rauseo M, Annetta MG. The good,the bad, and the serum creatinine: Exploring the effect ofmuscle mass and nutrition. Blood Purif 2023; 52 (9-10):775-85. http://dx.doi.org/10.1159/000533173

  16. Du J, Zhang W, Niu J, Wang S. Association between bloodurea nitrogen levels and the risk of diabetes mellitus inChinese adults: secondary analysis based on a multicenter,retrospective cohort study. Front Endocrinol (Lausanne)2024; 15. http://dx.doi.org/10.3389/fendo.2024.1282015

  17. Gounden V, Bhatt H, Jialal I. Renal function tests. En: Stat-Pearls. Treasure Island (FL): StatPearls Publishing; 2025.https://www.ncbi.nlm.nih.gov/books/NBK507821/




2020     |     www.medigraphic.com