Acceso usuarios
Araceli Rodríguez Vico
, Fernando Sánchez Hernández, L. López Mesonero, María Begoña García Cenador, María Navelonga Moreno García
A menudo, por parte del paciente y de la familia, se solicita a los profesionales de enfermería que predigan los factores que influyen en el estado post-ictus. Se han realizado numerosos estudios para determinar los factores que influyen en el estado neurológico post-ictus en el momento del alta hospitalaria. Sin embargo, las técnicas de aprendizaje automático no se han utilizado para este propósito. Con el objetivo de obtener reglas de asociación del pronóstico neurológico, se ha llevado a cabo un doble análisis, tanto clínico como con técnicas de aprendizaje automático, de las posibles asociaciones de factores que influyen en el estado neurológico de los pacientes post-ictus. El algoritmo Apriori detectó varias reglas de asociación con alta confianza (≥ 95%), con el siguiente patrón: En pacientes en el rango de edad de 50-80 años, la asociación de un NIHSS entre 11 y 15 puntos (NIHSS intermedio/bajo), junto con la trombectomía, conduce a la recuperación ad integrum al alta. Con la técnica de remuestreo SMOTE, se alcanzó el 100% de confianza para la asociación de NIHSS elevado (>20) y afectación de las arterias carótida y basilar, con pronóstico nefasto (exitus). Estas reglas confirman, por primera vez con aprendizaje automático, la importancia de la asociación de algunos predictores, en el pronóstico post-ictus. El conocimiento por parte de las enfermeras de estas reglas puede mejorar los resultados del ictus. Adicionalmente, el papel de la enfermería en los programas de educación sobre los factores de riesgo, y pronóstico de un ictus se torna imprescindible.
Nurses are often asked to predict factors that influence post-stroke outcome by the patient and family. Many studies have been carried out in order to determine the factors that influence the neurological status of the post-stroke patient at the moment of the discharge from the hospital. However, machine learning techniques have not been used for this purpose. Therefore, with the objective of obtaining association rules of neurological prognosis, a double analysis, both clinical and with machine learning techniques of the possible associations of factors that influence the neurological status of the post-stroke patients has been carried out. The Apriori algorithm detected several association rules with high confidence (≥ 95%), from which the following pattern: In patients in the age range of 50-80 years, the association of a NIHSS between 11 and 15 points (intermediate/low NIHSS), along with thrombectomy, leads to recovery ad integrum at discharge. With the SMOTE resampling technique, the 100% confidence was reached for the association of high NIHSS (>20) and involvement of the carotid and basilar arteries, with a dire prognosis (exitus). These rules confirm, for the first time with machine learning, the importance of the association of some predictors, in the post-stroke prognosis. The knowledge by the nurses of these association rules can successfully improve stroke outcome. In addition, the role of nurses in education programs that teach knowledge of risk factors and stroke prognosis becomes essential.
