Resumen: EnterobacteriAce productor de carbapenemasas plantea una preocupación crítica por la prevención y el control de la infección en los hospitales. Sin embargo, el modelado predictivo de los riesgos asociados al CPE previamente destacados, como el reingreso, la mortalidad y la duración extendida de la estadía (LOS), permanece poco aplicada, particularmente con enfoques modernos de aprendizaje profundo. Este estudio introduce un marco de modelado de IA explicable para investigar el impacto de CPE en los resultados de los pacientes de los datos de registros médicos electrónicos de un hospital irlandés. Analizamos un conjunto de datos de pacientes hospitalizados de un hospital agudo irlandés, incorporando códigos de diagnóstico, transiciones de barrio, demografía del paciente, variables relacionadas con la infección y características de la red de contacto. Varias arquitecturas basadas en transformadores se compararon junto con los modelos tradicionales de aprendizaje automático. Se predijeron resultados clínicos y se aplicaron técnicas XAI para interpretar las decisiones modelo. Nuestro marco demostró con éxito la utilidad de los modelos basados en transformadores, con TabTransformer constantemente superando las líneas de base en múltiples tareas de predicción clínica, especialmente para la adquisición de CPE (AUROC y sensibilidad). Encontramos que las características relacionadas con las infecciones, incluida la exposición histórica al hospital, el contexto de admisión y las medidas de centralidad de la red, son muy influyentes en la predicción de los resultados del paciente y el riesgo de adquisición de CPE. Los análisis de explicación revelaron que características como el “área de residencia”, la “sala de admisión” y las admisiones previas son factores de riesgo clave. Las variables de red como “Ward PageRank” también se clasificaron altamente, lo que refleja el valor potencial de la información de exposición estructural. Este estudio presenta un marco AI robusto y explicable para analizar datos de EMR complejos para identificar factores de riesgo clave y predecir los resultados relacionados con el CPE. Nuestros hallazgos subrayan el rendimiento superior de los modelos de transformadores y destacan la importancia de diversas características clínicas y de red.
Publicado Originalme en export.arxiv.org El 18 de septiembre de 2025.
Ver Fuente Original
