Introducción
Dr. Juan José Gómez Doblas
Presidente del Comité Científico del Congreso
Vicepresidente de la SEC
Comités ejecutivo, organizador y científico
Comité de evaluadores
Listado de sesiones
Índice de autores
Introducción y objetivos: El análisis de perfiles de pacientes hospitalizados por enfermedades cardiovasculares es un reto (debido a factores como las comorbilidades o la heterogeneidad en perfiles con un mismo diagnóstico). Además, la estadística descriptiva no siempre es suficiente para comprender la complejidad de las interacciones entre variables y su relación con el pronóstico del paciente. El objetivo de este trabajo es la determinación de diferentes fenotipos (clusters) de pacientes para los diagnósticos cardiovasculares más frecuentes mediante aprendizaje automático no supervisado.
Métodos: Se utilizó como fuente de información el conjunto mínimo básico de datos de hospitalización de los años 2016 a 2022, de donde se extrajeron los pacientes con ingresos cardiovasculares. Posteriormente, se aplicaron técnicas de clustering para agrupar a los pacientes en diferentes perfiles, utilizando algoritmos de agrupamiento como k-means y clustering jerárquico. Mediante el método elbow, se estableció el número de clústeres óptimos en 5. Finalmente, se evaluaron los perfiles resultantes utilizando tablas descriptivas de perfiles de comorbilidad y letalidad por cluster, y se examinó la distribución de los diagnósticos principales cardiovasculares más frecuentes por cluster. Se utilizó el lenguaje de programación R para realizar el procesado de la base de datos, el análisis por clustering y la creación de tablas y figuras.
Resultados: Los 5 clústeres agruparon 2.901, 4.242, 4.222, 3.857 y 1.904 episodios respectivamente, lo que permitió identificar perfiles de pacientes con características clínicas y pronósticos diferentes. Se identificaron grupos con diferencias significativas en comorbilidades y perfiles con mayor riesgo de mortalidad (4,64%). Sin embargo, se sugiere un análisis más complejo utilizando distintas variables y métodos de agrupamiento para identificar perfiles de riesgo que se beneficiarían de intervenciones de seguimiento estrecho al alta hospitalaria.
Diagrama de Sankey de distribución de diagnósticos principales por cluster.
Conclusiones: La utilización de técnicas de clustering permite identificar grupos clínicamente relevantes con diferentes características clínicas, diagnósticos y pronósticos. Esta metodología puede ser útil para el desarrollo de estrategias prevención, atención y tratamiento personalizadas, basadas en las características específicas de cada perfil, además de ayudar a mejorar la comprensión de la complejidad de los pacientes con enfermedades cardiovasculares.