Video Experimental Relacionado
Updated: Nov 9, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.3K
Desarrollo y validación de modelos específicos de raza basados en el aprendizaje automático para predecir el riesgo
Matthew W Segar1,2, Byron C Jaeger3, Kershaw V Patel1,4
1Division of Cardiology, Department of Internal Medicine, University of Texas Southwestern Medical Center, Dallas (M.W.S., K.V.P., A.C., C.A., S.R., J.A.d.L., A.P.).
Circulation
|April 13, 2021
Resumen
Los modelos de aprendizaje automático predicen mejor el riesgo de insuficiencia cardíaca (HF) en todas las razas. Estos modelos específicos de raza identifican factores de riesgo únicos, mejorando la precisión de la predicción para diversas poblaciones.
Área de la Ciencia:
- Cardiología
- Informática biomédica
- Disparidades en materia de salud
Sus antecedentes:
- El riesgo de insuficiencia cardíaca (HF) y sus predictores varían significativamente entre los grupos raciales.
- Los modelos tradicionales de riesgo de HF a menudo pasan por alto biomarcadores cruciales y matices específicos de la raza.
- El aprendizaje automático (ML) ofrece potencial para desarrollar modelos de predicción de HF más precisos y específicos de la raza.
Objetivo del estudio:
- Desarrollar y validar modelos de aprendizaje automático específicos de la raza para la predicción del riesgo de insuficiencia cardíaca.
- Comparar el rendimiento de los modelos ML con los modelos tradicionales de riesgo de HF.
- Identificar los distintos contribuyentes al riesgo de HF en los diferentes grupos raciales.
Principales métodos:
- Análisis retrospectivo de cuatro grandes estudios de cohorte comunitarios (ARIC, DHS, JHS, MESA) con eventos de HF adjudicados.
- Desarrollo de modelos de ML específicos de la raza utilizando datos demográficos, clínicos, de laboratorio y electrocardiográficos.
- Validación externa de modelos de ML en cohortes agrupadas y comparación con modelos de riesgo establecidos.
Principales resultados:
- Los modelos ML específicos de la raza demostraron una excelente discriminación en las cohortes de derivación (negro: índice C = 0,88, blanco: índice C = 0,89).
- Los modelos ML validados mostraron una discriminación superior (negro: índice C = 0,80-0,83, blanco: índice C = 0,82) en comparación con los modelos tradicionales o no específicos de la raza.
- Los niveles de péptido natriurético fueron predictores clave en todas las razas; la troponina y el voltaje del ECG fueron importantes para los individuos negros y blancos, respectivamente.
Conclusiones:
- Los modelos ML específicos de la raza que integran diversos tipos de datos superan a los modelos tradicionales y no específicos de la raza en la predicción del riesgo de HF.
- Este enfoque de ML identifica efectivamente los contribuyentes únicos y específicos de la raza al desarrollo de HF.
- Los hallazgos apoyan la evaluación de riesgos y las estrategias de intervención a medida para diversas poblaciones.
