Executive Secretary
III International Symposium on “Generation and Transfer of Knowledge for Digital Transformation
SITIC 2025
Abstract
Problem: Mortality prediction in Intensive Care Units (ICU) is essential for improving clinical decision-making. Traditional systems fail to capture the complexity of clinical variables and struggle with incomplete data.
Objective(s): To develop an intelligent system based on MLP neural networks to predict mortality in ICU patients.
Methodology: A dataset of 3,373 patients from “Arnaldo Milián Castro” University Hospital was used. Data preprocessing, value imputation, feature selection, and class balancing with BorderlineSMOTE were applied. The model was optimized using RandomizedSearchCV and validated with clinical metrics. LIME was incorporated for explainability.
Results and discussion: The MLP model achieved a ROC-AUC of 0.9446, Recall of 0.878, and F1-score of 0.750. Field tests confirmed its ability to identify at-risk patients with high sensitivity. LIME enabled interpretable predictions, increasing clinical trust.
Conclusions: The proposed system enhances ICU decision-making, reduces false negatives, and provides understandable explanations for medical staff, making it a valuable tool in hospital settings.
Resumen
Problemática: La predicción de mortalidad en unidades de cuidados intensivos (UCI) es esencial para mejorar la toma de decisiones clínicas. Los sistemas tradicionales presentan limitaciones al no capturar la complejidad de las variables clínicas ni adaptarse a contextos con datos incompletos.
Objetivo: Desarrollar un sistema inteligente basado en redes neuronales MLP para predecir la mortalidad en pacientes ingresados en UCI.
Metodología: Se utilizó una base de datos de 3,373 pacientes del Hospital Universitario “Arnaldo Milián Castro”. Se aplicaron técnicas de preprocesamiento, imputación de valores, selección de atributos y balanceo de clases con BorderlineSMOTE. El modelo fue optimizado mediante RandomizedSearchCV y validado con métricas clínicas. Se incorporó el método LIME para explicabilidad.
Resultados y discusión: El modelo MLP alcanzó un ROC-AUC de 0.9446, Recall de 0.878 y F1-score de 0.750. Las pruebas de campo confirmaron su capacidad para identificar pacientes en riesgo con alta sensibilidad. LIME permitió interpretar las predicciones, aumentando la confianza clínica.
Conclusiones: El sistema propuesto mejora la toma de decisiones en UCI, reduce los falsos negativos y ofrece explicaciones comprensibles para el personal médico, constituyendo una herramienta útil en contextos hospitalarios.
About The Speaker
Lic. María del Rocío Vicente González
Discussion