[{"data":1,"prerenderedAt":60},["ShallowReactive",2],{"post-transformer-prediccion-hipotension-intraoperatoria-signos-vitales-series-temporales":3},{"id":4,"documentId":5,"Title":6,"Author":7,"URL":8,"Publication_date":9,"Hashtags":10,"Content":11,"createdAt":12,"updatedAt":13,"publishedAt":14,"Summary":15,"title_Url":16,"specialty":17,"Image":18},341,"u9tz3sx9p8cvwqsc2dk0fqvp","Modelo de aprendizaje profundo basado en Transformer para la predicción en tiempo real de hipotensión intraoperatoria usando signos vitales dinámicos en series temporales: estudio retrospectivo","Shouqiang Zhu","https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1005024","2026-03-25","#Anestesiologia #MedicinaPerioperatoria #InteligenciaArtificial #MachineLearning #SeguridadDelPaciente","por Shouqiang Zhu, Weihai Shi, Haichuan Qian, Xiaoqiang Tong, Rongliang Hu, Jinhua Bo, Xiaoping Gu\n\nAntecedentes La importancia clínica de la hipotensión intraoperatoria (HIO) transitoria sigue siendo motivo de debate, y los modelos existentes a menudo dependen de datos de formas de onda de alta resolución que no están disponibles de manera rutinaria.\n\nMétodos y hallazgos Desarrollamos un modelo de aprendizaje profundo basado en Transformer para predecir HIO en tiempo real utilizando datos continuos de series temporales de signos vitales. El modelo se entrenó con 319,699 casos quirúrgicos de un hospital terciario en China (2013–2023) y se validó externamente con un conjunto de datos independiente de Corea del Sur. La interpretabilidad del modelo se exploró mediante una simulación de alertas en tiempo real usando 10 casos quirúrgicos representativos de la cohorte de validación interna, comparando las trayectorias de riesgo de HIO predichas con la presión arterial media (PAM) medida. Para evaluar la relevancia clínica, un estudio de cohorte anidado evaluó la asociación entre la carga de HIO (PAM acumulada ≤65/60/55 mmHg en mmHg·min) y la lesión renal aguda (LRA) y la enfermedad renal aguda (ERA) posoperatorias. El modelo Transformer alcanzó un rendimiento de predicción sólido a horizontes de 5, 10 y 15 min (AUC 0.904, 0.892, 0.882; sensibilidad ≥88.3%). En comparación con XGBoost, el Transformer tuvo mayor sensibilidad (sensibilidad interna a 5 min 0.891 versus 0.737) y una calibración de probabilidades sustancialmente mejor (error de calibración esperado 0.0083 versus 0.0373). XGBoost mostró mayor exactitud global y especificidad (especificidad interna a 5 min 0.913 versus 0.723). La validación externa confirmó una discriminación comparable entre modelos y generalizabilidad, con diferencias de calibración atenuadas. En las simulaciones de alertas, el riesgo de HIO predicho correspondió estrechamente con las fluctuaciones de la PAM. La carga de HIO se asoció significativamente con LRA y ERA posoperatorias (PAM ≤65 mmHg: OR por 60 mmHg·min 1.10 (IC 95%, [1.02, 1.19]; p = 0.012) para LRA; 1.26 (IC 95%, [1.19, 1.33]; p \u003C 0.001) para ERA). El estudio está limitado por su diseño retrospectivo, y se requiere validación prospectiva multicéntrica para confirmar la aplicabilidad en tiempo real y la generalizabilidad del modelo.\n\nConclusiones La carga de HIO se asocia con mayor riesgo de LRA y ERA posoperatorias. El modelo Transformer prioriza la sensibilidad y la calibración para la predicción a corto plazo de HIO, mientras que XGBoost enfatiza la exactitud y la especificidad, reflejando diferentes características operativas. Se requiere evaluación prospectiva en tiempo real antes de la implementación clínica.","2026-03-29T16:56:58.172Z","2026-03-29T16:56:58.240Z","2026-03-29T16:56:58.245Z","La hipotensión intraoperatoria (HIO) es frecuente, pero anticiparla con herramientas disponibles en rutina no es trivial. Este estudio retrospectivo entrenó un modelo Transformer con series temporales de signos vitales (más de 319,000 cirugías) y lo validó externamente. El modelo mostró alta discriminación a 5–15 minutos y mejor calibración que XGBoost, aunque con menor especificidad. Además, una cohorte anidada relacionó mayor “carga” de HIO con más riesgo de lesión y enfermedad renal aguda posoperatorias. Aún falta validación prospectiva en tiempo real, pero abre conversación sobre cómo integrar alertas útiles sin aumentar ruido clínico.","transformer-prediccion-hipotension-intraoperatoria-signos-vitales-series-temporales","Anestesiología",{"id":19,"documentId":20,"name":21,"alternativeText":22,"caption":22,"width":23,"height":23,"formats":24,"hash":55,"ext":28,"mime":29,"size":56,"url":57,"previewUrl":22,"provider":58,"provider_metadata":22,"createdAt":59,"updatedAt":59,"publishedAt":59},113,"wa40tepiuyfafxo2to0b9xkk","image.png",null,1024,{"thumbnail":25,"small":34,"medium":41,"large":48},{"name":26,"hash":27,"ext":28,"mime":29,"path":22,"width":30,"height":30,"size":31,"sizeInBytes":32,"url":33},"thumbnail_image.png","thumbnail_image_466fa8b096",".png","image/png",156,51.89,51887,"/uploads/thumbnail_image_466fa8b096.png",{"name":35,"hash":36,"ext":28,"mime":29,"path":22,"width":37,"height":37,"size":38,"sizeInBytes":39,"url":40},"small_image.png","small_image_466fa8b096",500,421.03,421032,"/uploads/small_image_466fa8b096.png",{"name":42,"hash":43,"ext":28,"mime":29,"path":22,"width":44,"height":44,"size":45,"sizeInBytes":46,"url":47},"medium_image.png","medium_image_466fa8b096",750,904.03,904030,"/uploads/medium_image_466fa8b096.png",{"name":49,"hash":50,"ext":28,"mime":29,"path":22,"width":51,"height":51,"size":52,"sizeInBytes":53,"url":54},"large_image.png","large_image_466fa8b096",1000,1461.77,1461769,"/uploads/large_image_466fa8b096.png","image_466fa8b096",382.27,"/uploads/image_466fa8b096.png","local","2026-03-29T16:56:58.071Z",1777183245721]