Modelo Predictivo de mortalidad en neonatos de muy bajo peso en la red Neocosur (Sudamérica)

Abstract

Introducción: La utilización de scores de mortalidad y morbilidades mayores es una práctica frecuente en Neonatología, proporcionando una herramienta valiosa para la toma de decisiones clínicas y la estratificación del riesgo. Debido a los cambios temporales en los factores de riesgo, la incorporación de nuevas técnicas metodológicas y los avances en la práctica clínica, los modelos pronósticos requieren de una actualización periódica para mantener su relevancia y eficacia. Este trabajo tiene como objetivo actualizar el score pronóstico de la red Neocosur, utilizando herramientas analíticas modernas y evaluando su impacto en la performance y su utilidad clínica. Métodos: Se construyeron y evaluaron tres modelos pronósticos: el modelo actual utilizado como benchmark, un modelo de regresión logística con penalización (Lasso) y un modelo basado en Light Gradient Boosting Machine (LGBM). Los modelos fueron desarrollados utilizando una base de datos multicéntrica de pacientes neonatales pertenecientes a la red Neocosur. Para evaluar la performance, se analizaron la discriminación (AUROC), la calibración (parámetros de Intercept y Slope) y la equidad algorítmica en diferentes subgrupos poblacionales. Además, se realizó un análisis de utilidad clínica mediante curvas de beneficio neto, considerando diferentes umbrales de riesgo predicho. Resultados: El modelo LGBM demostró una superioridad significativa en términos de discriminación en comparación con el modelo benchmark (AUROC = 0.89 vs. 0.87, respectivamente). Asimismo, el análisis de utilidad clínica mostró un beneficio neto mayor para el modelo LGBM en todo el rango de umbrales evaluados. Sin embargo, se observó un leve deterioro en la calibración (Intercept y Slope) del modelo LGBM en comparación con el benchmark (Intercept: -0.17 vs. 0.99; Slope: 1.26 vs. 1.00), lo que podría impactar en la interpretación de predicciones individuales. El modelo basado en Lasso presentó un desempeño intermedio entre el benchmark y el LGBM. Conclusión: El modelo LGBM representa una mejora significativa en la performance y la utilidad clínica frente al modelo original de la red Neocosur. No obstante, la menor calibración observada sugiere la necesidad de abordar estrategias de recalibración antes de su implementación clínica. Esta actualización resalta el potencial de los métodos basados en machine learning para optimizar herramientas pronósticas, aunque también subraya la importancia de evaluar integralmente las dimensiones de performance y su aplicabilidad en la práctica cotidiana.