PREDICCIÓN DE DIVERTICULITIS COMPLICADA UTILIZANDO BIOMARCADORES SÉRICOS Y VARIABLES CLÍNICAS: IMPLEMENTACIÓN DE UN MODELO DE “MACHINE LEARNING” CON XGBOOST arveac97@gmail.com

 

PREDICCIÓN DE DIVERTICULITIS COMPLICADA UTILIZANDO BIOMARCADORES SÉRICOS Y VARIABLES CLÍNICAS: IMPLEMENTACIÓN DE UN MODELO DE “MACHINE LEARNING” CON XGBOOST

8

Mexico

Oral only

La enfermedad diverticular es una causa frecuente de consulta quirúrgica y su incidencia aumenta con la edad. La diverticulitis puede evolucionar hacia formas complicadas asociadas a mayor mortalidad, especialmente cuando existe perforación. En países en vías de desarrollo, se requieren herramientas predictivas accesibles que permitan identificar tempranamente a pacientes de alto riesgo.

Estudio retrospectivo en pacientes adultos con diverticulitis aguda confirmada por tomografía entre 2016 y 2023. Se recolectaron variables clínicas, antecedentes y parámetros bioquímicos al ingreso. El desenlace primario fue diverticulitis complicada (Hinchey ≥ III, fuga anastomótica, ingreso a UCI o sangrado postoperatorio). Se entrenó un modelo XGBoost con partición 80/20 para entrenamiento y validación. El desempeño se evaluó mediante AUC, sensibilidad, especificidad y exactitud. La interpretación de variables se realizó con análisis SHAP.

Se incluyeron 324 pacientes (edad media 55.1 ± 13.5 años; 50.3% hombres). La tasa de diverticulitis complicada fue de 21.6%. El modelo XGBoost mostró un AUC de 0.715, sensibilidad de 60.0%, especificidad de 83.0% y exactitud global de 73.2%. Las variables más influyentes fueron sodio sérico, proteína C reactiva, albúmina y tiempo operatorio.

El modelo predictivo basado en XGBoost mostró utilidad clínica para identificar tempranamente pacientes con alto riesgo de diverticulitis complicada. Su integración con datos disponibles al ingreso puede apoyar la toma de decisiones quirúrgicas, optimizar recursos y reducir complicaciones en hospitales de países en vías de desarrollo, promoviendo una medicina más predictiva y personalizada.