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
Álvaro Monje1-3, Laura Escolà-Vergé2,4-6, Celso Soares5,7,8, Mireia Puig2,9, Sergio Herrera9, Jesús Ruiz1,2
Objetivo.
Desarrollar y comparar modelos predictivos para estimar la cobertura empírica inadecuada con ceftriaxona en pacientes con bacteriemia atendidos en el servicio de urgencias (SU) a partir de variables disponibles en la valoración inicial.
Método.
Cohorte retrospectiva unicéntrica de pacientes adultos consecutivos con bacteriemia. Se desarrollaron siete modelos (regresión logística, XGBoost, CatBoost, LightGBM, Random Forest, Support Vector Machine y Naive Bayes) con variables clínicas rutinarias, optimización de hiperparámetros, ponderación de clases y ajuste del umbral para priorizar la sensibilidad. El rendimiento se evaluó en validación interna (n = 336) mediante el área bajo la curva de la característica operativa del receptor (ABC COR), sensibilidad, especificidad, coeficiente de correlación de Matthews y puntuación de Brier, con IC 95% por remuestreo. Se evaluaron la utilidad clínica mediante Decision Curve Analysis (DCA) y la interpretabilidad mediante Explicaciones Aditivas de Shapley (SHAP).
Resultados.
Se incluyeron 1.678 pacientes, 678 (40,4%) con microorganismos no cubiertos adecuadamente por ceftriaxona. Todos los modelos mostraron una capacidad discriminativa moderada, sin diferencias relevantes entre modelos (ABC COR 0,716-0,732; IC 95% solapados). La regresión logística alcanzó un ABC COR de 0,731 (IC 95% 0,677-0,786), una sensibilidad del 70,6% y una especificidad del 62,0%. Los principales predictores (SHAP) fueron la infección relacionada con la asistencia sanitaria, el foco de catéter y la colonización previa por microorganismo multirresistente. El DCA mostró beneficio neto frente a tratar a todos o a ningún paciente, sin diferencias relevantes entre modelos.
Conclusiones.
Las variables disponibles en la valoración inicial en el SU permiten estimar precozmente la cobertura empírica inadecuada con ceftriaxona. Como no se detectan diferencias relevantes de rendimiento, la regresión logística ofrece ventajas de interpretabilidad e implementación. Se trata de una propuesta pendiente de validación externa antes de cualquier uso asistencial para su integración en herramientas de apoyo a la decisión clínica.
