EUVIMEDEUVIMED entdecken
VergleichsstudieMultizentrische Studie

Assessment of the Risk of Bacteremia in Patients with Hematologic Malignancies in the Emergency Department: A Comparative Study Between Logistic Regression and Machine Learning Algorithms

Antonio Gallardo-Pizarro, Olivier Peyrony, Christian Teijón-Lumbreras, Ainhoa Castiella-Aranzasti, Ana Martínez-Urrea, Cynthia Terrones-Campos, Tommaso Francesco Aiello, Emmanuelle Gras, Pedro Castro, Cristina Pitart, François Camelena, Juan González Del Castillo und 7 weitere

Emergencias · 09.03.2026

DOI: 10.55633/s3me/026.2026 ↗

Kurz gefasst

Vergleichsstudie in der Zeitschrift Emergencias, online erschienen am 09.03.2026. Verfasst von Antonio Gallardo-Pizarro und 18 weiteren Autor:innen. Beteiligte Einrichtung: Servicio de Enfermedades Infecciosas, Hospital Clínic de Barcelona - IDIBAPS, Barcelona, España. Universidad de Barcelona, Barcelona, España. Hauptthemen laut MEDLINE: Hematologic Neoplasms, Bacteremia, Emergency Service, Hospital, Machine Learning.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objetivos. Comparar el rendimiento de algoritmos de aprendizaje automático no supervisado y supervisado con el modelo clásico de regresión logística para estratificar el riesgo de padecer bacteriemia en el momento del ingreso en el servicio de urgencias (SU) en los pacientes con hemopatías malignas. Métodos. Se realizó un estudio de cohorte retrospectivo multicéntrico internacional que incluyó consultas consecutivas de pacientes adultos con neoplasias hematológicas atendidos en urgencias y con solicitud de hemocultivos; el resultado primario fue la predicción de bacteriemia. El Bacteremia Objective Score System (BOSS)-1 utilizó regresión logística multivariable, BOSS-2 empleó agrupación de medias k y BOSS-3 aplicó un algoritmo de màquina de vectores de soporte. El rendimiento discriminativo se evaluó mediante sensibilidad y especificidad. Se realizó una validación externa de los resultados. Resultados. La cohorte de derivación incluyó 679 visitas al SU. Los hemocultivos fueron positivos en 88 (13%) casos. BOSS-1 identificó pacientes de bajo riesgo (3,1% de bacteriemia) con alta sensibilidad (94%; IC 95%: 87-97) pero especificidad limitada (30%; IC 95%: 26-34). BOSS-2 identificó mejor los pacientes de alto riesgo [29% de bacteriemia; sensibilidad 93% (IC 95%: 84-97), especificidad 30% (IC 95%: 26-34)]. BOSS-3 permitió clasificar a todos los pacientes en categorías de bajo (66,8%) o alto riesgo (33,2%), sin grupo intermedio, a diferencia de los otros dos modelos, y mostró el mejor equilibrio entre sensibilidad (61%; IC 95%: 59-64) y especificidad (71%; IC 95%: 70-73) y obtuvo los resultados más reproducibles en la cohorte de validación externa. Conclusiones. Los algoritmos BOSS permitieron una estratificación eficaz del riesgo de bacteriemia en los SU, destacando como mejor potencial clínico los modelos de aprendizaje automático supervisado.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Hematologic NeoplasmsBacteremiaEmergency Service, HospitalMachine LearningAlgorithmsHumansRetrospective StudiesMaleFemaleMiddle AgedRisk AssessmentAgedLogistic ModelsAdultSensitivity and Specificity

Stichwörter der Autor:innen

Aprendizaje automáticoBacteremiaBacteriemiaEmergency departmentHematologyHematologíaMachine learningServicio de Urgencias

Autor:innen und Institutionen

  • Servicio de Enfermedades Infecciosas, Hospital Clínic de Barcelona - IDIBAPS, Barcelona, España. Universidad de Barcelona, Barcelona, España.
  • Servicio de Enfermedades Infecciosas, Hospital Clínic de Barcelona - IDIBAPS, Barcelona, España. Universidad de Barcelona, Barcelona, España. Hospital Saint-Louis, Assistance Publique-Hôpitaux de Paris, París, Francia.
  • Servicio de Enfermedades Infecciosas, Hospital Clínic de Barcelona - IDIBAPS, Barcelona, España. Universidad de Barcelona, Barcelona, España. Sorbonne Université, INSERM, Institut Pierre Louis d'Épidémiologie et de Sant…
  • Universidad de Barcelona, Barcelona, España. Unidad de Cuidados Intensivos Médicos, Hospital Clínic de Barcelona - IDIBAPS, Barcelona, España.
  • Servicio de Microbiología, Hospital Clínic de Barcelona, Barcelona, España.
  • Servicio de Microbiología, Hospital Saint-Louis, Assistance Publique-Hôpitaux de Paris, Université Paris Cité, París, Francia.

Zitieren

APA

Gallardo-Pizarro, A., Peyrony, O., Teijón-Lumbreras, C., Castiella-Aranzasti, A., Martínez-Urrea, A., Terrones-Campos, C., Aiello, T. F., Gras, E., Castro, P., Pitart, C., Camelena, F., González Del Castillo, J., Avendaño, A., Miró, Ò., Mensa, J., Nicolás, J. M., Soriano, Á., García-Vidal, C., & Grupo de Estudio BOSS (2026). Assessment of the Risk of Bacteremia in Patients with Hematologic Malignancies in the Emergency Department: A Comparative Study Between Logistic Regression and Machine Learning Algorithms. Emergencias. https://doi.org/10.55633/s3me/026.2026

Vancouver

Gallardo-Pizarro A, Peyrony O, Teijón-Lumbreras C, Castiella-Aranzasti A, Martínez-Urrea A, Terrones-Campos C, et al. Assessment of the Risk of Bacteremia in Patients with Hematologic Malignancies in the Emergency Department: A Comparative Study Between Logistic Regression and Machine Learning Algorithms. Emergencias. 2026. doi:10.55633/s3me/026.2026

BibTeX
@article{GallardoPizarro2026,
  author = {Gallardo-Pizarro, Antonio and Peyrony, Olivier and Teijón-Lumbreras, Christian and Castiella-Aranzasti, Ainhoa and Martínez-Urrea, Ana and Terrones-Campos, Cynthia and Aiello, Tommaso Francesco and Gras, Emmanuelle and Castro, Pedro and Pitart, Cristina and Camelena, François and González Del Castillo, Juan and Avendaño, Alejandro and Miró, Òscar and Mensa, Josep and Nicolás, Josep M and Soriano, Álex and García-Vidal, Carolina and Grupo de Estudio BOSS, Grupo de Estudio BOSS},
  title = {Assessment of the Risk of Bacteremia in Patients with Hematologic Malignancies in the Emergency Department: A Comparative Study Between Logistic Regression and Machine Learning Algorithms},
  journal = {Emergencias},
  year = {2026},
  doi = {10.55633/s3me/026.2026}
}
Kostenlos starten →