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

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.

PALABRAS CLAVE: Insuficiencia renal; diálisis; nefrología; red neural.

Abstract

OBJECTIVE: To develop and evaluate a multilayer perceptron neural network model to predict the need for 14-day dialysis in hospitalized patients with acute renal failure.

MATERIALS AND METHODS: Analytical, longitudinal study using an international secondary database available in the Dryad scientific and medical data repository (https://datadryad.org) of patients with acute kidney failure; 42 clinical and laboratory variables were included. The database was divided into training (69.20%) and test (30.8%). An artificial neuronal network was trained with a hidden layer of 9 neurons (hyperbolic tangent) and output with Softmax function, using cross entropy as loss function. Model performance was evaluated by accuracy, area under the curve (AUC) and classification metrics.

RESULTS: There were included 4985 patients. The model had a cross-entropy error of 64,582 (training) and 60,260 (testing), with error rates of 0.7% and 1.0%. The key neurons were H1:2, H1:3, H1:6, and H1:7, with H1:3 (previous dialysis, SOFA, creatinine) standing out. The AUC was 0.995, with accuracy of 99.30% (training) and 99% (testing). The pseudo-probability distribution showed high confidence in classification, and the gain curve identified almost 100% of positive cases in the 10% of highest risk.

CONCLUSIONS: The multilayer perceptron network showed high accuracy in dialysis prediction in acute renal failure patients, supporting clinical decision making. Validation in external cohorts is recommended.

KEYWORDS: Acute renal failure; Dialysis; Nephrology; Neural networks.