Predicción del resultado en el sangrado gastrointestinal inferior

agudo mediante el aumento de gradiente

Abstracto

Fondo

No hay modelos ampliamente utilizados en la atención clínica para predecir el resultado en la

hemorragia gastrointestinal baja aguda (ALGIB). Si estuvieran disponibles, estos podrían ayudar a
seleccionar a los pacientes en la presentación a niveles apropiados de atención / intervención y
mejorar la utilización de recursos médicos. Nuestro objetivo fue aplicar un clasificador de
aprendizaje de última generación, gradient boosting (GB), para predecir el resultado en ALGIB
utilizando medidas no endoscópicas como predictores.

Métodos

Las variables no endoscópicas de los pacientes con ALGIB atendidos en los departamentos de
urgencias de dos hospitales docentes fueron analizadas retrospectivamente para el
entrenamiento / validación interna (n = 170) y validación externa (n = 130) del modelo GB. El
rendimiento del algoritmo GB para la predicción de sangrado recurrente, la intervención clínica y
sangrado severo se comparó con un modelo de regresión lógica múltiple (MLR) y dos algoritmos de
predicción basada en MLR (BLEED y Strate predicción regla).

Resultados

El algoritmo GB tuvo los mejores valores predictivos negativos para los resultados elegidos (>
88%). En la validación interna, la exactitud del algoritmo GB para predecir la hemorragia
recurrente, la intervención terapéutica y el sangrado severo fueron (88%, 88% y 78%
respectivamente) y superiores a la clasificación BLEED (64%, 68% y 63% (78%, 78%, 67%) y MLR
convencional (74%, 74% 62%). En la validación externa la exactitud fue similar a la MLR
convencional para sangrado recurrente (88% vs. 83%) e intervención terapéutica (91% vs. 87%)
pero superior para sangrado severo (83% vs. 71%).

Conclusión

El algoritmo de refuerzo de gradiente predice con precisión el resultado en pacientes con

hemorragia gastrointestinal baja aguda y supera los modelos basados en regresión logística
múltiple. Estos pueden ser útiles para la estratificación de riesgo de los pacientes en la
presentación al departamento de urgencias.

Introducción

La hemorragia GI inferior aguda (ALGIB) es una urgencia cada vez más común en la incidencia con
la edad [ 1 ], y puede ser más común de hemorragia digestiva alta aguda en los ancianos [ 2 ]. Las
causas y gravedad son heterogéneas, por ejemplo, sangrado de gran volumen de diverticulosis o
sangrado menor de colitis con la etiología y el resultado a menudo oscuro para el clínico en la
presentación.
La mayoría de las presentaciones ALGIB (80-85%) se resuelven espontáneamente sin resultado
adverso y la muerte es poco frecuente (2-4%) [ 3 , 4 ]. Sin embargo, una proporción significativa
(17-30%) se someten a una intervención terapéutica (embolización angiográfica, terapias basadas
en la colonoscopia o cirugía) para controlar la hemorragia severa / recurrente [ 5 , 6 ]. A pesar de la
intervención de re-sangrado se produce a una velocidad de aproximadamente un 20% en el primer
año [ 7 ].

Debido a la preocupación por el sangrado severo / recurrente o la necesidad de intervención la

práctica clínica rutinaria para la gran mayoría de los pacientes con ALGIB que presentan al
departamento de emergencia es la admisión al hospital para la observación de pacientes durante
un número variable de días con una proporción sometida a endoscopia o investigación radiológica.

Esta estrategia tiene la desventaja de ser invasiva, costosa [ 8 ] y expone a los pacientes a
complicaciones adquiridas en el hospital. Si un modelo predictivo fiable estuviera disponible en el
punto de presentación al hospital, los pacientes de bajo riesgo podrían ser identificados y
evaluados para el manejo ambulatorio / una estancia más corta en el hospital. Los recursos
podrían entonces ser liberados para que los pacientes de alto riesgo sean apropiadamente
transferidos a niveles más altos de atención y se sometan a una investigación más agresiva. A pesar
de múltiples puntuaciones basadas regresión logística (MLR) se han desarrollado para ALGIB
[ 9 , 10 ] ninguno ha sido recomendada para la práctica clínica de rutina a diferencia de los de
Glasgow Blatchford y Rockall calificaciones de hemorragia gastrointestinal superior aguda
[ 11 ]. Las razones posibles incluyen la falta de validación en diversos escenarios y una precisión
moderada en comparación con estas puntuaciones. Los modelos basados en MLR pueden ser
limitados en la predicción del resultado en ALGIB ya que se basan en la suposición de que una
combinación lineal de las características observadas puede usarse para determinar la probabilidad
de cada resultado particular ignorando cualquier interacción variable que puede ser la clave para la
predicción exacta .

Para mitigar este potencial limitación de las puntuaciones basadas MLR y de predecir con exactitud
el resultado ALGIB, se optó por implementar y evaluar el desempeño de un algoritmo no
paramétrico para la clasificación, Gradiente Impulso (GB) [ 12 ]. GB es un algoritmo supervisado de
aprendizaje de máquina y es capaz de aproximar el mapeo funcional desconocido entre las
entradas, es decir, las mediciones no endoscópicas y las salidas, es decir, los resultados de
ALGIB. Los algoritmos de aprendizaje supervisados son comúnmente entrenados en datos
históricos que consisten en ejemplos de pares de entrada-salida.

El algoritmo GB abarca la noción de "aprendizaje conjunto", mediante el cual múltiples algoritmos

de aprendizaje simples se utilizan de forma conjunta con el fin de obtener un mejor rendimiento
predictivo que podría lograrse de cualquiera de los algoritmos de aprendizaje constitutivos
[ 13 ]. De relevancia clínica son varios informes que demuestran que el aprendizaje de modelos de
clasificación de conjunto se precisa para predecir el resultado en una variedad de entornos clínicos
[ 14 - 16 ].

En particular, el algoritmo GB se basa en los árboles de decisión como algoritmos predictivos

constitutivos o "base". Árbol de decisión son modelos estadísticos que comparten recursivamente
el espacio de entrada para encontrar reglas que son predictivas de la salida. El algoritmo clásico
CART (clasificación y árbol de regresión) fue popularizado en los años ochenta por Breiman et
al. [ 17 ]. En comparación con otros métodos de aprendizaje automático, GB posee varios puntos
fuertes: 1) que es menos propenso a exceso de ajuste [ 13] 2) es robusto al ruido [ 18 ] 3) que tiene
un mecanismo interno para estimar las tasas de error, 4) se Proporciona índices de importancia
variable y 5) puede utilizarse cuando los predictores son continuos y categóricos.

El objetivo de este estudio fue comprobar si el algoritmo GB fue capaz de predecir con precisión
los resultados clínicos en pacientes que se presentan a los departamentos de emergencia con
ALGIB utilizando variables no endoscópicas disponibles para los médicos en ese
momento. También nos propusimos comparar el rendimiento del enfoque GB con dos modelos
publicados anteriormente multivariante de regresión logística [MLR convencional y 9 , 10 ]. Se
muestra en este estudio que el algoritmo de aumento de gradiente con precisión predice sangrado
severo, sangrado severo y la intervención clínica en pacientes con hemorragia gastrointestinal
aguda inferior y supera los modelos de regresión logística múltiple.

Métodos

Declaración de Ética

Este estudio se llevó a cabo mediante el análisis de una base de datos existente anonomysed de
pacientes que presentan ALGIB cotejada con el propósito de la auditoría a los servicios de
urgencias de Charing Cross y hospitales Hammersmith, Londres, Reino Unido (1 de enero de 2007 y
el 31 de diciembre de 2011). El estudio fue aprobado por la Oficina de Cumplimiento de la
Investigación Conjunta en Imperial College Healthcare NHS Trust (ref 125HH25060). La oficina
confirmó que no se requería una revisión ética formal o consentimiento informado ya que el
estudio incluía datos anonómicos anotados sistemáticamente, no se recolectaron datos nuevos y
no hubo intervención clínica.

Diseño del estudio

La base de datos se había generado retrospectivamente mediante la identificación de pacientes

consecutivos de registros electrónicos de 18 años o más y presentados al servicio de urgencias con
un diagnóstico primario de ALGIB definido como sangrado PR (sangre de color rojo brillante o color
marrón pasada por recto) días. Para este estudio se excluyeron pacientes con: 1) presentación
diagnóstica más indicativa / final de una hemorragia digestiva alta (hematemesis, melaena, fuente
de hemorragia gastrointestinal superior detectada en endoscopia o angiografía), 2) hemorragia
ALGIB hospitalaria, 3) ALGIB como admisión secundaria Síntoma, 4) pacientes transferidos de otros
hospitales y 5) datos incompletos del paciente. Los pacientes con inestabilidad hemodinámica y
sangrado PR fueron obligados a tener una endoscopia digestiva superior antes de la inclusión en el
estudio a menos que una fuente definitiva de colon fue identificado.

Los pacientes admitidos a Charing Cross Hospital con ALGIB fueron analizados para el
entrenamiento y la validación interna del algoritmo GB. La cohorte de validación externa consistió
en pacientes ingresados en Hammersmith Hospital durante el mismo período de tiempo. Los
hospitales Charing Cross y Hammersmith son hospitales de enseñanza general grandes y ocupados
con departamentos de emergencia y equipos quirúrgicos separados.
Definiciones de variables y diagnósticos finales

Los datos sobre 39 variables publicadas previamente asociados con la necesidad de intervención o
resultado adverso en ALGIB ( Tabla 1 ) fueron identificados a partir de la literatura y recogen de
forma prospectiva de bases de datos generadas diagnósticos que presentan, resultados de
laboratorio, endoscopia, descarga y bases de datos de codificación. Las variables se definieron de
la siguiente manera: Comorbilidad inestable: cualquier anomalía en el sistema de órganos que
normalmente requiere admisión en la UCI, estado mental errático - nubosidad de la conciencia
debido a cualquier causa o presencia de síncope confusión o coma, enfermedad cardiovascular -
antecedentes de angina, infarto de miocardio , Cardiomiopatía o insuficiencia cardiaca,
enfermedad respiratoria, actual o antecedentes de COPD, antecedentes de enfermedad hepática o
presencia de ictericia, cirrosis o hipertensión portal e insuficiencia renal-creatinina> 125mircomol /
l.

El sangrado definitivo del colon se definió como cualquier signo de sangrado activo o reciente en la
endoscopia o angiografía (estigmas de hemorragia reciente: hemorragia activa, un vaso visible no
hemorrágico o un coágulo adherente). Presuntivo se definió hemocardiocemia o sangre por recto y
no hay sospecha de hemorragia digestiva alta, con una o más fuentes de sangrado potencial
debajo del ligamento de Treitz.

tabla 1

Variables de línea de base en la presentación ALGIB inicial.

Demográfico
Años

Género

Historia

Uso de omeprazol / lansoprazol

Uso de fármacos NSAID / antocoagulantes

Alcoholismo

De fumar

Residente de una residencia de ancianos

Pólipo colorrectal

Hemorroides

Historia de la enfermedad diverticular

Colonic AVM

Síncope

Comorbilidades

Enfermedad cardiovascular

Hipertensión

Historia del accidente cerebrovascular

EPOC

Falla renal cronica

Diabetes mellitus

Demencia

Cáncer

Mortasa hepática crónica

Historial anterior de sangrado gastrointestinal

Comorbilidades inestables

Evaluación inicial

Ritmo cardiaco

PA sistólica

BP diastólica

Estado mental errático

Dolor abdominal

Examen abdominal blando

Hemorragia continua en ED

Sangre total en DRE

Sangre basal

Hemoglobina
 Hematocrito

recuento de glóbulos blancos

Plaqueta

APTT

Tiempo de protrombina

Urea

Creatinina

APTT, tiempo de protrombina parcial activado; AVM, malformación arteriovenosa; DRE, examen
rectal digital; Departamento de emergencias

doi:10.1371/journal.pone.0132485.t001

Aumento de gradiente

Hemos implementado el algoritmo GB, según lo propuesto originalmente por Friedman [ 13 ], que
ha sido aplicado con éxito en una serie de aplicaciones clínicas [ 19 - 23 ]. GB es un algoritmo no
paramétrico para el aprendizaje supervisado de máquinas. Se aproxima a la asignación funcional
desconocida de variables explicativas de entrada a las variables de salida correspondientes. La
naturaleza no paramétrica del algoritmo GB permite la estimación de un mapeo funcional de
medidas no endoscópicas a resultados ALGIB sin necesidad de decidir a priori la forma paramétrica
de esta función. Por el contrario, los modelos paramétricos como la regresión logística suponen
que las probabilidades de registro dependen linealmente de las covariables, y esta linealidad
pueden ser insuficientes para captar la complejidad de la relación entre las entradas y salidas
[ 24 ].

Para la formación del algoritmo GB consideramos M pacientes con mediciones de entrada no

endoscópicos y sus correspondientes resultados ALGIB en forma de (x 1, y 1), ..., (x M, Y m) pares,
donde cada es un vector que contiene las mediciones no endoscópicos para el
paciente i. Buscamos para aproximar la función desconocida y = f (x *) de manera que se pueden
hacer predicciones sobre un nuevo paciente para el que hemos observado los no-endoscópicos
mediciones de entrada x *.
El algoritmo de GB se basa en un modelo iterativo de ajuste procedimiento que hace uso de
muchos algoritmos predictivos simples aprendices o "base" [ 13 ], y combinarlos para formar reglas
de decisión más complejas. La función F desconocida se calcula minimizando una función de
pérdida ℒ definida sobre el conjunto de entrenamiento:
GB construye una aproximación F N de M como una suma de N +1 aprendices "base" construida a
través de N iteracciones . En nuestra implementación, los alumnos "base" son árboles de
12,
regresión que son particularmente útiles en aplicaciones clínicas, ya que proporcionan fácil de
interpretar las reglas de decisión. GB comienza con un aprendiz base inicial F 0 y luego se aplica un
paso de descenso más pronunciado para la minimización de la función de pérdida con respecto
a F 0. Estos dos pasos se repiten secuencialmente y cada vez que un nuevo alumno se construye
para seguir la dirección a lo largo de la cual se pierde la pérdida del alumno anterior. El método de
descenso más pronunciado toma pasos proporcionales al gradiente negativo de la función de
pérdida para encontrar el mínimo local. Más explícitamente, el gradiente de la función de pérdida
ℒ para cada punto de formación x i en el paso de iteración n está dado por

El gradiente se define sólo en los puntos de datos Y no puede generalizarse a otros

X valores. Una forma de permitir la generalización es elegir un árbol de regresión h (x, an) que
produzca más paralelo a Su árbol de regresión se puede obtener de la
solución :

donde a n son los parámetros de la h árbol de regresión (x, a n) y β es la tasa de aprendizaje, lo que
determina la contribución de cada árbol para la aproximación. Habiendo estimado el árbol de
regresión que es el más altamente correlacionada con- g n (x) de la distribución de datos, la
próxima actualización de la aproximación F N está dada por

F n (x) = F n -1 (x) + γ n h (x, a n),

Que utiliza la longitud óptima,

El algoritmo GB se resume en el siguiente pseudo-código:

Algoritmo de impulso de gradiente

 7
f
n

de

8 fnal Algoritmo

Después del entrenamiento, los parámetros de los árboles de regresión aprendidos incluyen reglas
que capturan la relación (posiblemente no lineal) entre las variables no endoscópicas y el resultado
ALGIB. Un nuevo paciente con no endoscópicos mediciones x * se asigna a una clase específica de
resultado y simplemente siguiendo las reglas de decisión asociadas a esa clase.

Para permitir una formación óptima del algoritmo GB, primero dividimos aleatoriamente nuestra
cohorte de 170 pacientes recogidos en Charing Cross Hospital en los conjuntos de datos de
formación y validación. Específicamente, el 70% de los pacientes fueron asignados al conjunto de
entrenamiento y el 30% restante fueron utilizados para la validación interna. Se realizó una
validación interna con el objetivo de ajustar de forma óptima los hiperparámetros GB (es decir, el
número de iteraciones de refuerzo, la profundidad de los árboles de regresión y la tasa de
aprendizaje) antes de evaluar el rendimiento del algoritmo externamente en una cohorte de
pacientes admitidos en Hammersmith Hospital (Conjunto de datos completamente independiente).

Para cada uno de los resultados clínicos en nuestros estudios clasificamos las covariables utilizando
el mecanismo GB interno para la clasificación de variables y seleccionamos las 10 mejores
variables predictivas para cada resultado. A continuación, investigó si reajustar el algoritmo GB
utilizando sólo este conjunto reducido de covariables daría rendimiento comparable.

MLR y modelos basados MLR publicados para ALGIB

Se aplicó una regresión logística múltiple convencional a las cohortes de Charing Cross y
Hammmersmith utilizando los mismos 39 no endoscópicos como en GB. Por otra parte, dos
modelos basados MLR publicadas para ALGIB, la puntuación de purga [ 10 ] (hemorragia
persistente, baja la presión arterial sistólica, el tiempo de protrombina, el estado mental errático y
enfermedades comórbidas inestable) y Strate regla de predicción [ 9 ] (frecuencia cardíaca ≥100,
Presión arterial sistólica ≤115, síncope, examen abdominal no blando, sangrado rectal en las
primeras 4 horas de evaluación, uso de aspirina y> 2 condiciones comórbidas) para las dos
cohortes.

Resultados

Los resultados medidos fueron intervención terapéutica (endoscópica, angiográfica, quirúrgica),

hemorragia grave (definida como hemorragia continua o recurrente) y sangrado recurrente. Estos
resultados fueron elegidos ya que indican la necesidad de la atención hospitalaria. Se incluyó la
intervención terapéutica para detener la fuente de sangrado, ya que esto sugirió la presencia de un
sangrado continuo que no se resolvía espontáneamente. Las definiciones para los tres resultados
se tomaron de la literatura publicada [ 5 , 9 , 25 , 26 ]. El sangrado severo se definió como:
sangrado continuo en las primeras 24 horas de hospitalización (definido como una transfusión de
glóbulos rojos de ≥ 2 unidades, y / o un descenso del hematocrito de ≥ 20%) o sangrado recurrente
después de 24 horas de estabilidad Como más de una transfusión de glóbulos rojos, una
disminución adicional del hematocrito de ≥ 20%, o readmisión para ALGIB dentro de la semana de
descarga). La hemorragia recurrente se definió como hematococosis recurrente después de 24
horas de estabilización durante la cual no se observó sangrado activo, asociado a cualquiera de los
siguientes como nuevo hallazgo: disminución de la hemoglobina ≥2g / dl, disminución del
hematocrito ≥5%, inestabilidad hemodinámica , O tener una transfusión adicional de glóbulos rojos
(≥ 2 unidades recibidas en total).

Análisis estadístico

Los siguientes datos estadísticos para predecir sangrado severo, sangrado recurrente y
intervención terapéutica se obtuvieron para todos los modelos de las cohortes de validación
interna y externa: Sensibilidad, Especificidad, Valor Predictivo Positivo (VPP), Valor Predictivo
Negativo (VPN) y Precisión Predicciones sobre las predicciones totales) utilizando HDS Epimax,
2004 y Graph Pad Prism software. La comparación de datos continuos y categóricos (entre las
cohortes de validación interna y externa) se llevó a cabo utilizando las pruebas de Mann-Whitney U
y Fisher exactas respectivamente. En todas las comparaciones se utilizó un significado de dos colas
del 5%.

Resultados

Características y resultados clínicos de las cohortes

Para la cohorte Charing Cross (CXC) después de la búsqueda inicial a través de bases de datos de
emergencia y endoscopia en el hospital de Charing Cross, se identificó a 174 pacientes que tenían
antecedentes de ALGIB y presentación al servicio de urgencias. Cuatro pacientes fueron excluidos
debido a la información incompleta para la puntuación de riesgo. Los 170 pacientes restantes
constituyeron la cohorte de entrenamiento / validación interna. El mismo proceso de búsqueda se
utilizó para compilar la cohorte de Hammersmith (HC). 133 pacientes fueron atendidos en el
servicio de urgencias del hospital de Hammersmith con un diagnóstico primario de ALGIB. De estos
pacientes, tres fueron excluidos debido a datos incompletos para la puntuación de riesgo. Los
restantes 130 pacientes constituyeron la cohorte de validación externa. La exactitud de la
recopilación de datos se realizó mediante reevaluación aleatoria del 10% de las notas de otro autor
(LA).

Las características demográficas, las características clínicas y los diagnósticos finales de los
cohortes de validación interna y externa se muestran en las Tablas Tables22 y y3. 3 . Los pacientes
de la cohorte interna de Charing Cross fueron similares a la cohorte de Hammersmith con respecto
a la proporción de sexos, edad mediana y duración de la estancia. Casi todos los pacientes (98-
100%) en ambas cohortes fueron admitidos en el hospital para el tratamiento de ALGIB que duró
una mediana de 4 días. La endoscopia digestiva alta para descartar una hemorragia digestiva alta
se realizó en el 20% de los casos en la cohorte interna y en el 14% de los casos en la cohorte
externa. Los pacientes en ambas cohortes fueron similares en cuanto a someterse a un
procedimiento de endoscopia inferior (74% frente a 81%), pero la colonoscopia en el hospital fue
más común en la cohorte de Charing Cross (76% vs 46%). Consistió en colonoscopia (56% Charing
cross cohorte, 45% Hammersmith cohorte) con el resto con sigmoidoscopia flexible, sigmoidoscopia
rígida o proctoscopy. Se realizó una TC o angiograma mesentérico en el 8% de los pacientes en la
cohorte de Charing Cross y en el 5% en la cohorte de Hammersmith.

Los tres diagnósticos más comunes fueron diverticulosis, colitis y trastornos anorrectales como las
hemorroides. Los diagnósticos finales fueron similares en ambas cohortes, aparte de un
diagnóstico presuntivo de una hemorragia diverticular que era más común en la cohorte de
Charing Cross y no se realizó ningún diagnóstico que fuera más común en la cohorte de
Hammersmith.

La intervención terapéutica para el sangrado (terapia endoscópica, embolización angiográfica o

cirugía) fue más común en la cohorte de Charing Cross. La intervención endoscópica en ambas
cohortes consistía en recorte, APC y bandas. La embolización angiográfica de los vasos del colon se
realizó en nueve pacientes de la cohorte interna y cuatro en la cohorte externa. La transfusión de
sangre fue significativamente más común en la cohorte de Charing Cross (media de 1,6 unidades
frente a 0,9 unidades) como sangrado severo. No hubo diferencias significativas entre las cohortes
en re-sangrado o muerte. Todos los pacientes que fallecieron fueron ≥ 65 años de edad y las causas
de muerte fueron cáncer (n = 2) insuficiencia cardíaca (n = 1), neumonía (n = 1), isquemia colónica
(n = 1) 1) y desconocido (n = 1). Ningún paciente falleció debido a sangrado incontrolado.
Rendimiento predictivo del aumento de gradiente y regresión logística múltiple

Los mejores algoritmos GB utilizando las 39 variables que tenían precisión de predicción de 88%,
91% y 83% ( Tabla 4 ) de recidiva hemorrágica, la intervención terapéutica y la hemorragia severa,
respectivamente. Las exactitudes eran similares en las cohortes de Charing Cross y
Hammersmith. El valor predictivo positivo de todos los algoritmos de GB no fue alto en ninguna de
las cohorte, aunque importante para la toma de decisiones clínicas los valores predictivos
negativos fueron altos (88-98%) para los tres resultados. Los diez mejores predictores que
contribuyen utilizados en los algoritmos GB para cada resultado se enumeran en la Tabla 5 en
orden descendente. Cuatro variables (frecuencia cardíaca, presión arterial diastólica, creatinina y
APTT) se encontraban entre las diez variables más utilizadas para todos los resultados. En la
validación interna de la exactitud de los modelos GB para predecir la recidiva de la hemorragia, la
intervención terapéutica y la hemorragia grave fue (88%, 88% y 78%, respectivamente) y superior a
la clasificación de purga (64%, 68% y 63%) ( Tabla 4 ), Regla de predicción de Strate (78, 78, 67%) y
MLR convencional (74%, 74% 62%). En la validación externa, la precisión del algoritmo GB fue
similar a la MLR convencional para la hemorragia recurrente (88% frente a 83%) y la intervención
terapéutica (91% frente a 87%), pero superior para la hemorragia severa (83 vs 71%). GB modelos
utilizando sólo el top diez variables predictivas fueron menos precisos en la predicción de
reepitelización, sangrado severo y la intervención terapéutica que aquellos con el conjunto
completo de 39 variables en 8-10% en promedio.
Discusión
Hay una necesidad de puntajes de riesgo no endoscópicos para ayudar a estratificar a los pacientes
con ALGIB para la gestión temprana de la alta / paciente ambulatorio o niveles más altos de
atención y por lo tanto utilizar los recursos de manera eficiente. La práctica clínica actual incluye
triaje basado en la colonoscopia, que es invasiva, una preparación adecuada difícil de conseguir y
tratable estigmas de hemorragia poco frecuente [ 1 ]. Este estudio ha demostrado que un
algoritmo GB basado en las variables clínicas y de laboratorio fue preciso (> 80%) en la predicción
de los resultados clínicos de sangrado recurrente, la intervención terapéutica y sangrado severo.

GB tenía altos valores predictivos negativos (88-98%) tanto en Charing Cross y Hammersmith
Cohorts. Esto sugiere que estos modelos pueden ser útiles para clasificar a los pacientes en un
grupo de bajo riesgo que podría ser manejado con una estancia abreviada en el hospital evitando
altos niveles de atención o como pacientes ambulatorios. La mediana y la estancia media de
pacientes hospitalizados en las cohortes de Charing Cross y Hammersmith fue de cuatro y siete
días, respectivamente, y por lo tanto una reducción en esto permitiría un ahorro significativo de
costos y disminuiría la exposición de los riesgos asociados a hospitales como infecciones.

Una fuerza particular de este estudio es la validación y buen desempeño en una cohorte externa
con una menor incidencia de sangrado severo que indica que el algoritmo puede mantener la
precisión en un entorno diferente. Nuestro algoritmo GB utilizó sólo las variables no endoscópicas
disponibles para el clínico en el departamento de urgencias y por lo tanto tiene aplicabilidad clínica
para la toma de decisiones. Sin embargo, enfatizaríamos que este modelo no está dirigido a
reemplazar la toma de decisiones con experiencia, sino a ayudar al proceso. Este es el caso de las
puntuaciones de riesgo recomendadas para la hemorragia gastrointestinal superior aguda tales
como las puntuaciones de Rockall y Glasgow Blatchford [ 11 ].

Un estudio a nuestro conocimiento ha examinado un modelo de aprendizaje automático conjunto

de sangrado gastrointestinal aguda y fue desarrollado para identificar la fuente de la hemorragia, la
necesidad de reanimación y los que requieren endoscopia urgente [ 27 ]. Este estudio difiere
sustancialmente de la nuestra en que el algoritmo de forma aleatoria los bosques fue utilizado por
la construcción de árboles de clasificación ignorando el error del árbol anterior de la secuencia
[ 28 ]. También se estudió una población mixta de pacientes con hemorragia gastrointestinal alta,
media e inferior aguda (sin cifras para ALGIB), no hubo comparación con las puntuaciones
previamente publicadas y el modelo no se probó en una cohorte externa. Sin embargo, se
encontraron precisiones de> 75-80% para los resultados estudiados, lo que demuestra la utilidad
de las técnicas de aprendizaje de máquinas de ensamblaje.

El rendimiento del algoritmo GB en nuestro estudio fue superior a MLR y dos modelos publicados
MLR basado. Modelos de aprendizaje automático de conjunto se han demostrado para ser más
preciso que la regresión logística convencional para clasificar la enfermedad o predecir el resultado
en una variedad de entornos clínicos [ 29 - 31 ]. Las razones teóricas de esto son que la regresión
logística predice resultados basados en combinaciones lineales de variables independientes
ajustando un único modelo que mejor explique la relación entre los valores observados y el
resultado. Por otro lado, la justificación del algoritmo GB para adaptarse a muchos modelos
simples cuyas predicciones se combinan a continuación puede producir un buen ajuste de los
valores de resultado previstos a los valores observados, incluso si la naturaleza específica de la
relación entre las variables predictoras y la variable El resultado correspondiente es complejo (por
ejemplo, no lineal, interactuado o ruidoso con outliers). Además, a diferencia de la regresión
logística múltiple, el método GB puede manejar un gran número de variables de entrada y generar
una estimación interna no sesgada del error de generalización a medida que progresa la
estimación de árbol de clasificación simple. Por último, el modelo de procedimiento de ajuste por
etapas del algoritmo GB permite evaluar automáticamente la influencia de cada variable no
endoscópica en la construcción de una regla de clasificación robusta [ 12 ].

Otras explicaciones son que la puntuación de purga [ 10 ] fue diseñado para predecir una variable
combinada de complicación intrahospitalaria (hemorragia recurrente, la cirugía para controlar la
hemorragia y la mortalidad hospitalaria) en lugar de los puntos finales que examinamos. La regla
de predicción Strate [ 9 ] fue diseñado para predecir la hemorragia grave que estudiamos, pero en
nuestra cohorte rindieron menos para este resultado y mejor para el sangrado recurrente y
necesidad de la intervención clínica. Las redes neuronales artificiales, otra máquina de clasificador
de aprendizaje, también se han demostrado para ser exactos en la predicción de re-sangrado y la
intervención clínica en ALGIB [ 5 ]. Sin embargo, para nuestra cohorte, el rendimiento de
clasificación de redes neuronales se encontró inferior a GB en ALGIB (datos no presentados).

Nuestro estudio tiene una serie de limitaciones potenciales: En primer lugar, la base de datos de
los pacientes se recopiló retrospectivamente y se basó en la exactitud inherente de los registros de
pacientes. Sin embargo, la mayoría de los datos recogidos fueron cuantitativos y también se
obtuvieron de registros electrónicos de laboratorio, endoscópicos y de pacientes. En segundo lugar
el GB requiere la entrada de muchas más variables que BLEED o Strate predicción regla (39 vs 5 vs.
8) que aumenta la complejidad. La reducción en el número de variables utilizadas en el modelo GB
a 10 condujo a una disminución de la precisión del 8-10% para los resultados estudiados, lo que
comprometería la utilidad clínica del algoritmo GB. Es importante destacar que sin embargo en
nuestra experiencia de entrada de datos para las 39 variables en el programa tarda menos de 5
minutos y por lo tanto sería adecuado para su uso en un departamento de emergencia / sala
particularmente dada la explosión de aplicaciones de teléfonos inteligentes que permiten la
entrada rápida de datos con desplegable Menús en los que sólo se requieren entradas
positivas. Esto sería similar a los informes de endoscopia que se generan electrónicamente, por lo
general requieren> 50 piezas de datos y se utilizan en la práctica clínica de rutina. En tercer lugar, la
decisión de dar transfusión de sangre y aplicar la terapia endoscópica no se basó en el protocolo
que podría haber llevado a sesgo. En la mitigación nuestro análisis demostró que la terapia
endoscópica se aplicó consistentemente en este estudio de acuerdo a directrices de consenso
(datos no presentados) y por lo tanto, limita esto como una fuente potencial de sesgo. Finalmente
la muerte no fue examinada como un resultado debido a su naturaleza infrecuente en nuestra
cohorte. La muerte es rara en ALGIB que ocurre en <4% en series grandes y en general se produce
en las personas con enfermedades comórbidas [ 6 ] y después de una hemorragia en los pacientes
[ 32 ] que este último, que era un criterio de exclusión para nuestro estudio. El trabajo futuro para
examinar el modelo GB en una cohorte más grande podría ser emprendido para examinar su
utilidad en la predicción de la muerte. Para determinar el impacto del modelo en la predicción de
los resultados en ALGIB un estudio aleatorizado del modelo GB más la rutina de toma de
decisiones clínicas frente a la rutina de toma de decisiones clínicas se podría realizar.

En resumen, el aumento de gradiente predice con precisión el resultado en pacientes con

hemorragia gastrointestinal baja aguda. Este enfoque de aprendizaje mecánico tiene el potencial
de ayudar en la estratificación de riesgo de los pacientes con ALGIB en la presentación al servicio
de urgencias.

Declaración de financiación

Los autores no recibieron fondos específicos para este trabajo.

Disponibilidad de datos

Todos los datos relevantes están dentro del documento.