Prediction of heart failure decompensations using artificial intelligence and machine learning techniques / Predicción de las descompensaciones de la insuficiencia cardíaca mediante técnicas de inteligencia artificial y aprendizaje automático

ABSTRACT

Abstract Introduction: Heart failure (HF) is a major concern in public health. We have used artificial intelligence to analyze information and improve patient outcomes. Method: An Observational, retrospective, and non-randomized study with patients enrolled in our telemonitoring program (May 2014-February 2018). We collected patients’ clinical data, telemonitoring transmissions, and HF decompensations. Results: A total of 240 patients were enrolled with a follow-up of 13.44 ± 8.65 months. During this interval, 527 HF decompensations in 148 different patients were detected. Significant weight increases, desaturation below 90% and perception of clinical worsening are good predictors of HF decompensation. We have built a predictive model applying machine learning (ML) techniques, obtaining the best results with the combination of "Weight + Ankle + well-being plus alerts of systolic and diastolic blood pressure, oxygen saturation, and heart rate." Conclusions: ML techniques are useful tools for the analysis of HF datasets and the creation of predictive models that improve the accuracy of the actual remote patient telemonitoring programs.

RESUMEN

Resumen Introducción: La insuficiencia cardíaca (IC) es un motivo de gran preocupación en la salud pública. Hemos utilizado técnicas de aprendizaje automático para analizar información y mejorar los resultados. Métodos: Estudio observacional, retrospectivo y no aleatorizado, con los pacientes incluidos en el programa de telemonitorización de IC de nuestro centro desde mayo 2014 hasta febrero 2018. Se han analizado datos clínicos, transmisiones de telemonitorización y descompensaciones de IC. Resultados: 240 pacientes incluidos con un seguimiento de 13.44 ± 8.65 meses. En este intervalo se han detectado 527 descompensaciones de IC en 148 pacientes diferentes. Los aumentos significativos de peso, la desaturación inferior al 90% y la percepción de empeoramiento clínico, han resultado buenos predictores de la descompensación de IC. Hemos construido un modelo predictivo aplicando técnicas de aprendizaje automático obteniendo los mejores resultados con la combinación de "Peso + Edemas en EEII + empeoramiento clínico + alertas de tensión arterial sistólica y diastólica, saturación de oxígeno y frecuencia cardiaca". Conclusiones: Las técnicas de inteligencia artificial son herramientas útiles para el análisis de las bases de datos de IC y para la creación de modelos predictivos que mejoran la precisión de los programas de telemonitorización actuales.