Introducción: Las consultas por dolor torácico son frecuentes en los servicios de emergencias médicas (SEM). Aún no se ha identificado una estrategia diagnóstica que utilice tanto datos objetivos como subjetivos del dolor.
Objetivos: Evaluar un clasificador de machine learning para predecir el riesgo de presentar un síndrome coronario agudo (SCA) sin elevación del segmento ST, en pacientes que consultan a un SEM con dolor torácico.
Material Y Métodos: Se analizaron 161 pacientes que consultaron al SEM con dolor torácico. Se registró mediante un clasificador de machine learning variables objetivas y subjetivas de caracterización del dolor.
Resultados: La edad promedio fue de 57,43 ± 12 años, 75% de sexo masculino y 16% presentaban antecedente cardiovasculares. El 57,8% presentaron un síndrome coronario agudo con una incidencia de IAM de 29,8%, de los cuales requirieron revascularización por ATC un 35% y CRM un 9,9%en el periodo de seguimiento a 30 días. Como modelo de clasificación se utilizó un Random Forest Classifier. El Random Forest Classifier presentó un área bajo la curva ROC de 0.8991, sensibilidad de 0.8552, especificidad del 0.8588 y una precisión de 0.8441. Las variables predictoras más influyentes fueron peso (p=0.002), edad (p=5.011e-07), intensidad del dolor (p=3.0679e-05), tensión arterial sistólica (p=0.6068) y características subjetivas del dolor (p=1.590e-04).
Conclusiones: Los clasificadores de machine learning son una herramienta útil a fin de predecir el riesgo de sufrir un síndrome coronario agudo a 30 días de seguimiento.
Background: Consultations for chest pain are common in emergency medical services (EMS). A diagnostic strategy using both objective and subjective pain data has not yet been identified.
Purpose: To evaluate a machine learning classifier to predict the risk of presenting with non-ST segment elevation acute coronary syndrome (ACS) in patients consulting an SEM with chest pain.
Methods: 161 patients consulting SEM with chest pain were analyzed. Objective variables of the patient and subjective variables of pain characterization were recorded during the triage stage by means of a machine learning classifier.
Results: The average age was 57.43 ± 12 years, 75% male and 16% had a cardiovascular history. 57.8% presented an acute coronary syndrome with an incidence of AMI of 29.8%, of which 35% required TCA revascularization and 9.9% CRM in the 30-day follow-up period. A Random Forest Classifier was used as a classification model. The Random Forest Classifier presented an area under the ROC curve of 0.8991, sensitivity of 0.8552, specificity of 0.8588 and precision of 0.8441. The most influential predictor variables were weight (p=0.002), age (p=5.011e-07), pain intensity (p=3.0679e-05), systolic blood pressure (p=0.6068) and subjective pain characteristics (p=1.590e-04).
Conclusions: Machine learning classifiers are a useful tool for predicting the risk of acute coronary syndrome at 30 days follow-up.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados