Programa del congreso

El tratamiento con presión positiva continua en la vía aérea (CPAP) es el enfoque terapéutico más empleado para la apnea obstructiva del sueño (AOS); sin embargo, su éxito clínico depende de una adherencia adecuada. La predicción temprana de la adherencia mediante modelos de Machine Learning (ML) ha emergido como una herramienta clave para mejorar el seguimiento y la personalización del tratamiento. El objetivo de este estudio consiste en analizar la evolución del rendimiento predictivo de modelos basados en máquinas de vectores soporte (SVM) entrenados con datos clínicos y registros de uso de CPAP durante los primeros 5 a 30 días para predecir la adherencia a 3, 6 y 12 meses. Los resultados muestran una mejora progresiva en las métricas de rendimiento predictivo conforme se amplía la ventana de observación, alcanzando un equilibro a partir de los 25 días. Para alcanzar un grado de acuerdo estadístico sustancial en términos de la kappa de Cohen (kappa) que permita su uso eficiente en el ámbito clínico de acuerdo a umbrales establecidos (kappa ≥ 0.61), se observó que serían necesarios 15 días de registro para predicciones a 3 meses, 20 días para 6 meses y 25 días para 12 meses. Estos hallazgos permiten optimizar el diseño de sistemas predictivos, minimizando el tiempo de seguimiento sin comprometer el rendimiento, facilitando así su integración en la práctica clínica.