Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo

Abstract

En el proceso de diagnóstico médico se busca identificar el estado de salud de un paciente. Sin embargo, la complejidad fisiológica del ser humano genera una amplia gama de condiciones difíciles de establecer por el personal médico en pacientes patológicos. En las unidades de cuidado intensivo, donde habitualmente se utiliza la ventilación asistida, se presenta un alto grado de incertidumbre a la hora de identificar el momento adecuado de retirar el ventilador mecánico. Teniendo en cuenta esta problemática, presentamos el diseño y evaluación de una herramienta basada en inferencia bayesiana que brinda información al médico sobre la viabilidad de tener una extubación exitosa. Para su diseño y validación se utilizó una base de datos con señales de flujo respiratorio compuesta por 98 pacientes exitosamente extubados, y 38 que fracasaron. Las señales fueron caracterizadas inicialmente con un grupo de series temporales, y posteriormente, el patrón respiratorio en los dos grupos de estudio fue analizado con técnicas estadísticas y de modelado autorregresivo. De este último proceso se derivo un grupo de variables con las cuales se diseñó un clasificador tipo Naive Bayes. Los resultados fueron medidos en función de la exactitud, sensibilidad y especificidad del clasificador, logrando un 78% en la primera medida y un 75% y 74% en las dos segundas.

In the process of medical diagnosis is to identify the health status of a patient. However, the complexity of the human physiological generates a variety of difficult conditions set by the medical staff in each patient. A high degree of uncertainty comes to identifying the right time to begin the withdrawal of mechanical ventilation in Intensive Care Units. Considering this problem, we present the design and evaluation of a Bayesian inference based tool that provides information to the physician about the feasibility of having a successful extubation. For design and validation database with respiratory flow signals composed successfully extubated 98 patients, 38 who failed was used. The signals were initially characterized with a group of time series, and then the breathing pattern in the two study groups was analyzed with statistical techniques and autoregressive modeling. This latter process a group of variables with which a Naive Bayes classifier type design was derived. Results were measured in terms of exactitude, sensitivity and specificity of the classifier, achieving 78% in the first step and 75% and 74% in the second two.