Predicción de riesgo de sufrir un síndrome coronario agudo mediante la utilización de clasificadores de Machine Learning

espanolIntroduccion: Las consultas por dolor toracico son frecuentes en los servicios de emergencias medicas (SEM). Aun no se ha identificado una estrategia diagnostica que utilice tanto datos objetivos como subjetivos del dolor. Objetivos: Evaluar un clasificador de machine learning para predecir el riesgo de presentar un sindrome coronario agudo (SCA) sin elevacion del segmento ST, en pacientes que consultan a un SEM con dolor toracico. Material Y Metodos: Se analizaron 161 pacientes que consultaron al SEM con dolor toracico. Se registro mediante un clasificador de machine learning variables objetivas y subjetivas de caracterizacion del dolor. Resultados: La edad promedio fue de 57,43 ± 12 anos, 75% de sexo masculino y 16% presentaban antecedente cardiovasculares. El 57,8% presentaron un sindrome coronario agudo con una incidencia de IAM de 29,8%, de los cuales requirieron revascularizacion por ATC un 35% y CRM un 9,9%en el periodo de seguimiento a 30 dias. Como modelo de clasificacion se utilizo un Random Forest Classifier. El Random Forest Classifier presento un area bajo la curva ROC de 0.8991, sensibilidad de 0.8552, especificidad del 0.8588 y una precision de 0.8441. Las variables predictoras mas influyentes fueron peso (p=0.002), edad (p=5.011e-07), intensidad del dolor (p=3.0679e-05), tension arterial sistolica (p=0.6068) y caracteristicas subjetivas del dolor (p=1.590e-04). Conclusiones: Los clasificadores de machine learning son una herramienta util a fin de predecir el riesgo de sufrir un sindrome coronario agudo a 30 dias de seguimiento. EnglishBackground: Consultations for chest pain are common in emergency medical services (EMS). A diagnostic strategy using both objective and subjective pain data has not yet been identified. Purpose: To evaluate a machine learning classifier to predict the risk of presenting with non-ST segment elevation acute coronary syndrome (ACS) in patients consulting an SEM with chest pain. Methods: 161 patients consulting SEM with chest pain were analyzed. Objective variables of the patient and subjective variables of pain characterization were recorded during the triage stage by means of a machine learning classifier. Results: The average age was 57.43 ± 12 years, 75% male and 16% had a cardiovascular history. 57.8% presented an acute coronary syndrome with an incidence of AMI of 29.8%, of which 35% required TCA revascularization and 9.9% CRM in the 30-day follow-up period. A Random Forest Classifier was used as a classification model. The Random Forest Classifier presented an area under the ROC curve of 0.8991, sensitivity of 0.8552, specificity of 0.8588 and precision of 0.8441. The most influential predictor variables were weight (p=0.002), age (p=5.011e-07), pain intensity (p=3.0679e-05), systolic blood pressure (p=0.6068) and subjective pain characteristics (p=1.590e-04). Conclusions: Machine learning classifiers are a useful tool for predicting the risk of acute coronary syndrome at 30 days follow-up.