TY - JOUR T1 - Redes neuronales artificiales en Medicina Intensiva. Ejemplo de aplicación con las variables del MPM II JO - Medicina Intensiva T2 - AU - Trujillano Cabello,J AU - Badía Castello,M AU - March Llanes,J AU - Rodríguez Pozo,Á AU - Serviá Goixart,L AU - Sorribas Tello,A SN - 02105691 M3 - 10.1016/S0210-5691(05)74198-X DO - 10.1016/S0210-5691(05)74198-X UR - https://www.medintensiva.org/es-redes-neuronales-artificiales-medicina-intensiva--articulo-13071859 AB - Objetivo. La aplicación del índice de gravedad Mortality Probability Model (MPM II) en nuestra Unidad de Cuidados Intensivos (UCI) nos muestra una mala calibración que nos obliga a buscar modelos reajustados. Diseño. Para el reajuste de los modelos utilizamos técnicas basadas en regresión logística (RL) y una red neuronal artificial (RN) (perceptrón multicapa con retropropagación del error). Para valorar estos modelos utilizamos un grupo de 964 pacientes que se dividen en un grupo de Desarrollo (736 pacientes) y un grupo de Validación (228). Se calcula el modelo MPM II Admisión y a las 24-horas (MPM II-0 y MPM II-24), los modelos reajustados por RL (RLR-0 y RLR-24) y los obtenidos por las RN (RN-0 y RN-24). Los modelos desarrollados se contrastan en el grupo de Validación evaluando sus propiedades de discriminación con el área bajo la curva ROC (ABC [IC 95 %]) y su calibración con el test de Hosmer-Lemeshow C (HLC [p]). Resultados. Los modelos MPM II-0 y MPM-24 obtienen una buena discriminación (ABC > 0,8) con pobre calibración (HLC > 25). Los modelos reajustados (RLR y RN) mejoran en calibración manteniendo una aceptable discriminación. La RN es mejor en discriminación (ABC = 0,85 [0,79-0,90]) y calibración (HLC = 21 [p = 0,005]) en el modelo 24-horas, pero sin alcanzar significación. Conclusión. Una RN es capaz de estratificar el riesgo de mortalidad hospitalaria utilizando las variables del sistema MPM II. En el mismo grupo de pacientes la RN obtiene diferentes probabilidades de muerte. Esto se asocia con una contribución diferente de las variables en los modelos basados en RL o RN. ER -