Introducción. Se estima que ocurren 4,2 millones de muertes anuales en los primeros 30 días postoperatorios. La Comisión de Lancet en Cirugía Global resalta la importancia de medir y reducir esta mortalidad. Este estudio desarrolló una calculadora de mortalidad perioperatoria específica para la población colombiana, pretendiendo identificar e intervenir tempranamente los pacientes con alto riesgo.Métodos. Se utilizaron datos del estudio multicéntrico ColSOS, en el que se incluyeron 3807 pacientes de 54 centros en Colombia. Se recopilaron variables clínicas, sociodemográficas y perioperatorias; se manejaron los datos faltantes con imputación múltiple. La selección de variables se realizó mediante análisis bivariado, regresión Lasso y Recursive Feature Elimination (RFE). Se compararon modelos predictivos utilizando regresión logística y XGBoost, evaluando su rendimiento con validación cruzada.Resultados. El modelo XGBoost fue seleccionado por mostrar una mejor sensibilidad y menor número de falsos negativos que la regresión logística. Se destacó la importancia en la predicción de la clasificación ASA, enfermedad pulmonar obstructiva crónica, inestabilidad hemodinámica y urgencia del procedimiento. El modelo predijo mortalidad con un área bajo la curva (AUC) de 0,87.Conclusión. El presente estudio ha desarrollado la primera calculadora de mortalidad perioperatoria diseñada para la población colombiana, incluyendo múltiples especialidades quirúrgicas. El modelo de machine learning seleccionado presenta una sensibilidad y especificidad que la hacen equiparable a las mejores herramientas internacionales. La implementación de esta herramienta permite identificar y manejar tempranamente a los pacientes en riesgo, con lo que se podría mejorar la atención quirúrgica en Colombia.
Introduction. An estimated 4.2 million deaths occur annually in the first 30 postoperative days. The Lancet Commission on Global Surgery highlights the importance of measuring and reducing this mortality. This study developed a perioperative mortality calculator specific to the Colombian population, aiming to identify and intervene early in patients at high risk.Methods. We used data from the multicenter ColSOS study, which included 3807 patients from 54 centers in Colombia. Clinical, sociodemographic and perioperative variables were collected; missing data were handled with multiple imputation. Variables were selected by bivariate analysis, Lasso regression and Recursive Feature Elimination (RFE). Predictive models were compared using logistic regression and XGBoost, evaluating their performance with cross-validation.Results. The XGBoost model was selected because it showed better sensitivity and fewer false negatives than logistic regression. The importance in predicting ASA classification, chronic obstructive pulmonary disease, hemodynamic instability and urgency of the procedure was highlighted. The model predicted mortality with an area under the curve (AUC) of 0.87.Conclusion. The present study has developed the first perioperative mortality calculator designed for the Colombian population, including multiple surgical specialties. The selected machine learning model presents a sensitivity and specificity that make it comparable to the best international tools. The implementation of this tool allows early identification and management of patients at risk, which could improve surgical care in Colombia.
