000119444 001__ 119444
000119444 005__ 20221025101349.0
000119444 037__ $$aTAZ-TFG-2022-964
000119444 041__ $$aspa
000119444 1001_ $$aBENITO MARISCAL, FERNANDO
000119444 24200 $$aPrediction of mortality in ICU of patients with COVID-19: a predictive model supervised with artificial neural networks (ANN)
000119444 24500 $$aPredicción de mortalidad en UCI de pacientes con COVID-19: un modelo predictivo supervisado con redes neuronales artificiales (RNA)
000119444 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2022
000119444 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000119444 520__ $$aIntroducción. Se han descrito muchos factores de riesgo de la COVID-19, pero no disponemos de un indicador de mortalidad en UCI para individualizar el pronóstico del paciente y establecer medidas de tratamiento más precoces y eficaces. Las Redes Neuronales Artificiales (RNA) son una forma de análisis multivariante alternativo.<br />Objetivo. Diseñar un indicador mediante RNA para predecir la mortalidad del paciente crítico ingresado en UCI por COVID-19, a partir de las variables presentes en las primeras 24 horas de ingreso en UCI, analizar las variables relacionadas y evaluar su capacidad predictiva.<br />Material y Método. Se ha realizado un estudio observacional, retrospectivo en el que se recogieron las variables presentes en las primeras 24 horas tras el ingreso en el Servicio de Medicina Intensiva del HCU “Lozano Blesa”. Tras realizar un análisis estadístico se ha obtenido una Red MLP, siendo el indicador de mortalidad el valor de la neurona de la capa de salida que predice exitus. El software informático calcula la importancia de las variables (IV) incluidas y asigna cuales de ellas eran altamente predictivas.<br />Resultados. El valor medio del Indicador en el grupo que sobrevivió fue de 0.322 + 0.215, frente a 0.592 + 0.213 en el grupo de falleció; p < 0.001. Los factores más importantes en la predicción de mortalidad fueron: la edad (IV normalizada 100%), la LDH (IV normalizada 67,1%) y la ferritina (IV normalizada 51,2%). El área ROC del indicador descrito mostró una capacidad predictiva aceptable: 0,808; 95% IC (0,736 y 0,879).<br />Conclusiones. Es posible crear un Indicador de Mortalidad del paciente ingresado en UCI por COVID-19 utilizando la metodología del aprendizaje automático de las redes neuronales artificiales. Las variables más importantes relacionadas con su mortalidad son la edad, la ferritina y la LDH. El Indicador propuesto muestra una capacidad predictiva aceptable y podría mejorarse aún más si fuese creado a partir de una base de datos multicéntrica.<br /><br />
000119444 521__ $$aGraduado en Medicina
000119444 540__ $$aDerechos regulados por licencia Creative Commons
000119444 700__ $$aAráiz Burdio, Juan José$$edir.
000119444 700__ $$aZALBA ETAYO, BEGOÑA$$edir.
000119444 7102_ $$aUniversidad de Zaragoza$$b $$c
000119444 8560_ $$f737945@unizar.es
000119444 8564_ $$s1293681$$uhttps://zaguan.unizar.es/record/119444/files/TAZ-TFG-2022-964.pdf$$yMemoria (spa)
000119444 909CO $$ooai:zaguan.unizar.es:119444$$pdriver$$ptrabajos-fin-grado
000119444 950__ $$a
000119444 951__ $$adeposita:2022-10-25
000119444 980__ $$aTAZ$$bTFG$$cMED
000119444 999__ $$a20220530195505.CREATION_DATE