Download PDF
CC BY-NC-ND 4.0 · Revista Chilena de Ortopedia y Traumatología 2021; 62(03): e180-e192
DOI: 10.1055/s-0041-1740232
Artículo Original | Original Article

Premio de Investigación SCHOT 2020: desarrollo y validación de un modelo multivariables de predicción de estadía hospitalaria en pacientes mayores de 65 años sometidos artroplastia total de cadera electiva en Chile utilizando aprendizaje de máquinas

Article in several languages: español | English
Claudio Díaz-Ledezma
1   Unidad de Cirugía Ortopédica y Traumatología, Hospital El Carmen Dr. Luis Valentin Ferrada, Santiago, Chile
2   Departamento de Ortopedia y Traumatología, Clínica Las Condes, Santiago, Chile
,
David Díaz-Solís
3   Departamento de Administracion, Facultad de Economia y Negocios, Universidad de Chile, Santiago, Chile
,
Raúl Muñoz-Reyes
4   Data scientist, independent researcher, Santiago, Chile
,
Jonathan Torres Castro
5   Equipo de Cirugía de Cadera, Clínica RedSalud Santiago, Santiago, Chile
6   Equipo de Cirugía de Cadera, Instituto Traumatológico de Santiago, Santiago, Chile
› Author Affiliations
› Further Information
Also available at
   Permissions and Reprints

Resumen

Introducción La predicción de la estadía hospitalaria luego de una artroplastia total de cadera (ATC) electiva es crucial en la evaluación perioperatoria de los pacientes, con un rol determinante desde el punto de vista operacional y económico. Internacionalmente, se han empleado macrodatos (big data, en inglés) e inteligencia artificial para llevar a cabo evaluaciones pronósticas de este tipo. El objetivo del presente estudio es desarrollar y validar, con el empleo del aprendizaje de máquinas (machine learning, en inglés), una herramienta capaz de predecir la estadía hospitalaria de pacientes chilenos mayores de 65 años sometidos a ATC por artrosis.

Material y Métodos Empleando los registros electrónicos de egresos hospitalarios anonimizados del Departamento de Estadísticas e Información de Salud (DEIS), se obtuvieron los datos de 8.970 egresos hospitalarios de pacientes sometidos a ATC por artrosis entre los años 2016 y 2018. En total, 15 variables disponibles en el DEIS, además del porcentaje de pobreza de la comuna de origen del paciente, fueron incluidos para predecir la probabilidad de que un paciente presentara una estadía acortada (< 3 días) o prolongada (> 3 días) luego de la cirugía. Utilizando técnicas de aprendizaje de máquinas, 8 algoritmos de predicción fueron entrenados con el 80% de la muestra. El 20% restante se empleó para validar las capacidades predictivas de los modelos creados a partir de los algoritmos. La métrica de optimización se evaluó y ordenó en un ranking utilizando el área bajo la curva de característica operativa del receptor (area under the receiver operating characteristic curve, AUC-ROC, en inglés), que corresponde a cuan bien un modelo puede distinguir entre dos grupos.

Resultados El algoritmo XGBoost obtuvo el mejor desempeño, con una AUC-ROC promedio de 0,86 (desviación estándar [DE]: 0,0087). En segundo lugar, observamos que el algoritmo lineal de máquina de vector de soporte (support vector machine, SVM, en inglés) obtuvo una AUC-ROC de 0,85 (DE: 0,0086). La importancia relativa de las variables explicativas demostró que la región de residencia, el servicio de salud, el establecimiento de salud donde se operó el paciente, y la modalidad de atención son las variables que más determinan el tiempo de estadía de un paciente.

Discusión El presente estudio desarrolló algoritmos de aprendizaje de máquinas basados en macrodatos chilenos de libre acceso, y logró desarrollar y validar una herramienta que demuestra una adecuada capacidad discriminatoria para predecir la probabilidad de estadía hospitalaria acortada versus prolongada en adultos mayores sometidos a ATC por artrosis.

Conclusión Los algoritmos creados a traves del empleo del aprendizaje de máquinas permiten predecir la estadía hospitalaria en pacientes chilenos operado de artroplastia total de cadera electiva.

Palabras Clave

estadía hospitalaria - aprendizaje de máquinas - artroplastia total de cadera


Publication History

Received: 18 March 2021

Accepted: 06 August 2021

Article published online:
22 December 2021

© 2021. Sociedad Chilena de Ortopedia y Traumatologia. This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commecial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/)

Thieme Revinter Publicações Ltda.
Rua do Matoso 170, Rio de Janeiro, RJ, CEP 20270-135, Brazil

 

  • Referencias

  • 1 Problema de salud GES N° 12: Endoprótesis total de cadera en personas de 65 años y más con artrosis de cadera con limitación funcional severa. Orientación en Salud Superintendencia de Salud, Gobierno de Chile n.d. http://www.supersalud.gob.cl/difusion/665/w3-article-586.html (accessed December 18, 2020).
    PubMed
  • 2 Grosso MJ, Neuwirth AL, Boddapati V, Shah RP, Cooper HJ, Geller JA. Decreasing Length of Hospital Stay and Postoperative Complications After Primary Total Hip Arthroplasty: A Decade Analysis From 2006 to 2016. J Arthroplasty 2019; 34 (03) 422-425
    CrossrefPubMedSearch in Google Scholar
  • 3 Goyal N, Chen AF, Padgett SE. et al. Otto Aufranc Award: A Multicenter, Randomized Study of Outpatient versus Inpatient Total Hip Arthroplasty. Clin Orthop Relat Res 2017; 475 (02) 364-372
    CrossrefPubMedSearch in Google Scholar
  • 4 Paredes O, Ñuñez R, Klaber I. Successful initial experience with a novel outpatient total hip arthroplasty program in a public health system in Chile. Int Orthop 2018; 42 (08) 1783-1787
    CrossrefPubMedSearch in Google Scholar
  • 5 Greenky MR, Wang W, Ponzio DY, Courtney PM. Total Hip Arthroplasty and the Medicare Inpatient-Only List: An Analysis of Complications in Medicare-Aged Patients Undergoing Outpatient Surgery. J Arthroplasty 2019; 34 (06) 1250-1254
    CrossrefPubMedSearch in Google Scholar
  • 6 Featherall J, Brigati DP, Faour M, Messner W, Higuera CA. Implementation of a Total Hip Arthroplasty Care Pathway at a High-Volume Health System: Effect on Length of Stay, Discharge Disposition, and 90-Day Complications. J Arthroplasty 2018; 33 (06) 1675-1680
    CrossrefPubMedSearch in Google Scholar
  • 7 Ripollés-Melchor J, Abad-Motos A, Díez-Remesal Y. et al; Postoperative Outcomes Within Enhanced Recovery After Surgery Protocol in Elective Total Hip and Knee Arthroplasty (POWER2) Study Investigators Group for the Spanish Perioperative Audit and Research Network (REDGERM). Association Between Use of Enhanced Recovery After Surgery Protocol and Postoperative Complications in Total Hip and Knee Arthroplasty in the Postoperative Outcomes Within Enhanced Recovery After Surgery Protocol in Elective Total Hip and Knee Arthroplasty Study (POWER2). JAMA Surg 2020; 155 (04) e196024-e196024
    CrossrefPubMedSearch in Google Scholar
  • 8 Manning DW, Edelstein AI, Alvi HM. Risk Prediction Tools for Hip and Knee Arthroplasty. J Am Acad Orthop Surg 2016; 24 (01) 19-27
    CrossrefPubMedSearch in Google Scholar
  • 9 Sconza C, Respizzi S, Grappiolo G, Monticone M. The Risk Assessment and Prediction Tool (RAPT) after Hip and Knee Replacement: A Systematic Review. Joints 2019; 7 (02) 41-45
    Thieme ConnectPubMedSearch in Google Scholar
  • 10 Diaz Ledezma C, Radovic I. What's new in hip arthroplasty? South American perspective. Recent Advances in Orthopedics-2. Jaypee Brothers Medical Publishers (P) Ltd; 2018
    PubMedSearch in Google Scholar
  • 11 Parvizi J, Gehrke T, Krueger CA. et al; International Consensus Group (ICM) and Research Committee of the American Association of Hip and Knee Surgeons (AAHKS). Resuming Elective Orthopaedic Surgery During the COVID-19 Pandemic: Guidelines Developed by the International Consensus Group (ICM). J Bone Joint Surg Am 2020; 102 (14) 1205-1212
    CrossrefPubMedSearch in Google Scholar
  • 12 Donell ST, Thaler M, Budhiparama NC. et al. Preparation for the next COVID-19 wave: The European Hip Society and European Knee Associates recommendations. Knee Surg Sports Traumatol Arthrosc 2020; 28 (09) 2747-2755
    CrossrefPubMedSearch in Google Scholar
  • 13 Myers TG, Ramkumar PN, Ricciardi BF, Urish KL, Kipper J, Ketonis C. Artificial Intelligence and Orthopaedics: An Introduction for Clinicians. J Bone Joint Surg Am 2020; 102 (09) 830-840
    CrossrefPubMedSearch in Google Scholar
  • 14 Cabitza F, Locoro A, Banfi G. Machine Learning in Orthopedics: A Literature Review. Front Bioeng Biotechnol 2018; 6: 75
    CrossrefPubMedSearch in Google Scholar
  • 15 Bini SA. Artificial Intelligence, Machine Learning, Deep Learning, and Cognitive Computing: What Do These Terms Mean and How Will They Impact Health Care?. J Arthroplasty 2018; 33 (08) 2358-2361
    CrossrefPubMedSearch in Google Scholar
  • 16 Haeberle HS, Helm JM, Navarro SM. et al. Artificial Intelligence and Machine Learning in Lower Extremity Arthroplasty: A Review. J Arthroplasty 2019; 34 (10) 2201-2203
    CrossrefPubMedSearch in Google Scholar
  • 17 Ramkumar PN, Haeberle HS, Bloomfield MR. et al. Artificial Intelligence and Arthroplasty at a Single Institution: Real-World Applications of Machine Learning to Big Data, Value-Based Care, Mobile Health, and Remote Patient Monitoring. J Arthroplasty 2019; 34 (10) 2204-2209
    CrossrefPubMedSearch in Google Scholar
  • 18 Anderson AB, Grazal CF, Balazs GC, Potter BK, Dickens JF, Forsberg JA. Can Predictive Modeling Tools Identify Patients at High Risk of Prolonged Opioid Use After ACL Reconstruction?. Clin Orthop Relat Res 2020; 478 (07) 0-1618
    CrossrefPubMedSearch in Google Scholar
  • 19 Departamento de Estadisticas e Información de Salud. n.d. https://deis.minsal.cl/#publicaciones (accessed December 18, 2020).
    PubMed
  • 20 Farley KX, Anastasio AT, Premkumar A, Boden SD, Gottschalk MB, Bradbury TL. The Influence of Modifiable, Postoperative Patient Variables on the Length of Stay After Total Hip Arthroplasty. J Arthroplasty 2019; 34 (05) 901-906
    CrossrefPubMedSearch in Google Scholar
  • 21 Observatorio Social - Ministerio de Desarrollo Social y Familia. n.d. http://observatorio.ministeriodesarrollosocial.gob.cl/pobreza-comunal-2017#basedatos (accessed February 4, 2021).
    PubMed
  • 22 Mackinnon A. The use and reporting of multiple imputation in medical research - a review. J Intern Med 2010; 268 (06) 586-593
    CrossrefPubMedSearch in Google Scholar
  • 23 López V, Fernández A, García S, Palade V, Herrera F. An Insight into Classification with Imbalanced Data: Empirical Results and Current Trends on Using data Intrinsic Characteristics. Inf Sci 2013; 250: 113-141
    CrossrefPubMedSearch in Google Scholar
  • 24 del Rio S, Benitez JM, Herrera F. Analysis of Data Preprocessing Increasing the Oversampling Ratio for Extremely Imbalanced Big Data Classification. 14th IEEE International Conference on Trust, Security and Privacy in Computing and Communications, TrustCom, vol. 2, 2015, p. 180–5. https://doi.org/10.1109/Trustcom.2015.579
    CrossrefPubMed
  • 25 Cerda J, Cifuentes L. Uso de curvas ROC en investigación clínica: Aspectos teórico-prácticos. Rev Chilena Infectol 2012; 29 (02) 138-141
    CrossrefPubMedSearch in Google Scholar
  • 26 Harris AHS, Kuo AC, Weng Y, Trickey AW, Bowe T, Giori NJ. Can Machine Learning Methods Produce Accurate and Easy-to-use Prediction Models of 30-day Complications and Mortality After Knee or Hip Arthroplasty?. Clin Orthop Relat Res 2019; 477 (02) 452-460
    CrossrefPubMedSearch in Google Scholar
  • 27 Collins GS, Moons KGM. Reporting of artificial intelligence prediction models. Lancet 2019; 393 (10181): 1577-1579
    CrossrefPubMedSearch in Google Scholar
  • 28 Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ 2015; 350: g7594
    CrossrefPubMedSearch in Google Scholar
  • 29 Ramkumar PN, Navarro SM, Haeberle HS. et al. Development and Validation of a Machine Learning Algorithm After Primary Total Hip Arthroplasty: Applications to Length of Stay and Payment Models. J Arthroplasty 2019; 34 (04) 632-637
    CrossrefPubMedSearch in Google Scholar
  • 30 Kunze KN, Polce EM, Sadauskas AJ, Levine BR. Development of Machine Learning Algorithms to Predict Patient Dissatisfaction After Primary Total Knee Arthroplasty. J Arthroplasty 2020; 35 (11) 3117-3122
    CrossrefPubMedSearch in Google Scholar
  • 31 MeSH Browser. n.d. https://meshb.nlm.nih.gov/record/ui?ui=D000077558 (accessed December 19, 2020).
    PubMed
  • 32 Grauer JN, Leopold SS. Editorial: large database studies–what they can do, what they cannot do, and which ones we will publish. Clin Orthop Relat Res 2015; 473 (05) 1537-1539
    CrossrefPubMedSearch in Google Scholar
  • 33 Kang HW, Bryce L, Cassidy R, Hill JC, Diamond O, Beverland D. Prolonged length of stay (PLOS) in a high-volume arthroplasty unit. Bone Jt Open 2020; 1 (08) 488-493
    CrossrefPubMedSearch in Google Scholar
  • 34 Burn E, Edwards CJ, Murray DW. et al. Trends and determinants of length of stay and hospital reimbursement following knee and hip replacement: evidence from linked primary care and NHS hospital records from 1997 to 2014. BMJ Open 2018; 8 (01) e019146
    CrossrefPubMedSearch in Google Scholar
  • 35 Girbino KL, Klika AK, Barsoum WK. et al; Cleveland Clinic OME Arthroplasty Group. Understanding the Main Predictors of Length of Stay After Total Hip Arthroplasty: Patient-Related or Procedure-Related Risk Factors?. J Arthroplasty 2021; 36 (05) 1663-1670.e4
    CrossrefPubMedSearch in Google Scholar
  • 36 Athey AG, Cao L, Okazaki K. et al. Survey of AAHKS International Members on the Impact of COVID-19 on Hip and Knee Arthroplasty Practices. J Arthroplasty 2020; 35 (7S): S89-S94
    CrossrefPubMedSearch in Google Scholar