Predicting the Appearance of Hypotension During Hemodialysis Sessions Using Machine Learning Classifiers

Abstract

Un paciente que padece una enfermedad renal crónica avanzada se somete a varias sesiones de diálisis en diferentes fechas. Durante las diferentes horas de cualquiera de estas sesiones se monitorizan varios parámetros clínicos. Estos parámetros, junto con la información proporcionada por otros parámetros de carácter analítico, pueden ser muy útiles para determinar la probabilidad de que un paciente pueda sufrir hipotensión durante la sesión, que debe ser especialmente vigilada ya que representa un factor probado de posible mortalidad. Sin embargo, la información analítica no siempre está disponible para el personal sanitario, o lo está con mucha antelación, por lo que los parámetros clínicos monitorizados durante la sesión se convierten en clave para la prevención de la hipotensión. Este artículo presenta una investigación para predecir la aparición de hipotensión durante una sesión de diálisis, utilizando modelos predictivos entrenados a partir de una gran base de datos de diálisis, que contiene la información clínica de 98.015 sesiones correspondientes a 758 pacientes. El modelo de predicción tiene en cuenta hasta 22 parámetros clínicos medidos cinco veces durante la sesión, así como el sexo y la edad del paciente. Este modelo fue entrenado mediante clasificadores de aprendizaje automático, proporcionando un éxito en la predicción superior al 80%.

A patient suffering from advanced chronic renal disease undergoes several dialysis sessions on different dates. Several clinical parameters are monitored during the different hours of any of these sessions. These parameters, together with the information provided by other parameters of analytical nature, can be very useful to determine the probability that a patient may suffer from hypotension during the session, which should be specially watched since it represents a proven factor of possible mortality. However, the analytical information is not always available to the healthcare personnel, or it is far in time, so the clinical parameters monitored during the session become key to the prevention of hypotension. This article presents an investigation to predict the appearance of hypotension during a dialysis session, using predictive models trained from a large dialysis database, which contains the clinical information of 98,015 sessions corresponding to 758 patients. The prediction model takes into account up to 22 clinical parameters measured five times during the session, as well as the gender and age of the patient. This model was trained by means of machine learning classifiers, providing a success in the prediction higher than 80%.