Precisión diagnóstica de un modelo de redes bayesianas en los síndromes coronarios agudos

Introduccion: La caracterizacion diagnostica del dolor toracico, con enfasis en los sindromes coronarios agudos (SCA) es un requerimiento primordial para los medicos del area de urgencias. Objetivos: En el presente estudio se busca disenar y evaluar el desempeno de las redes bayesianas en el apoyo al diagnostico de los SCA. Metodologia: Se trata de un estudio de pruebas diagnosticas en el cual se disenaron dos modelos de redes bayesianas entrenadas en el framework OpenMarkov, a partir de las variables de la escala de probabilidad de Braunwald de angina en un grupo de 159 pacientes que luego se valido en una cohorte de 108 pacientes adultos hospitalizados con sospecha de un SCA en un hospital de tercer nivel de atencion. Resultados: Se obtuvo una sensibilidad baja aunque con especificidad y valor predictivo positivo adecuados (62, 86 y 87% respectivamente). El rendimiento fue mejor en los casos que tuvieron electrocardiograma y biomarcadores negativos. Conclusiones: Un modelo de redes Bayesianas entrenado a partir de las variables de la escala de probabilidad de angina inestable de Braunwald, presenta un rendimiento aceptable para el diagnostico de los SCA. Palabras clave: Dolor Toracico, Sindromes Coronarios Agudos, Clasificacion/Diagnostico, Redes Bayesianas. ABSTRACT Introduction: The characterization and diagnosis of chest pain, with emphasis on acute coronary syndromes (ACS), is a fundamental requirement for the doctors at the emergency service. Objective: The aim of the present study is to design and evaluate the performance of Bayesian networks to back up the diagnosis of ACS. Methodology: A diagnostic tests study in which two models of Bayesian networks  were designed and trained in the framework OpenMarkov, using the variables of the Braunwald angina probability scale in a group of 159 patients, which was validated afterwards in a cohort of 108 adult patients hospitalized with suspicion of ACS in a third level hospital. Results: Low sensitivity was obtained, with adequate specificity and positive predictive values, though (62, 86, and 87% respectively). Performance was better in the cases that had electrocardiogram and negative biomarkers. Conclusions: A model of Bayesian networks trained from the variables of the Braunwald unstable angina probability scale, exhibits an acceptable performance for the diagnosis of ACS. Keywords: Chest Pain, Acute Coronary Syndromes, Classification/Diagnosis, Bayesian Networks.