El uso del aprendizaje automático para predecir el riesgo de ruptura de aneurismas intracraneales múltiples

Área de la Ciencia:

• Neurocirugía
• Imágenes médicas
• Aprendizaje automático

Sus antecedentes:

• Los aneurismas intracraneales múltiples (AIM) presentan riesgos únicos de ruptura no abordados por las herramientas actuales como la puntuación PHASES.
• Los modelos de predicción de riesgos existentes no tienen en cuenta específicamente los parámetros morfológicos y anatómicos cruciales en los AIM.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de predicción de riesgos basado en el aprendizaje automático (RPM) para la ruptura de AIM.
• Proporcionar una evaluación de riesgos adaptada a las AIM, mejorando las herramientas clínicas generales.

Principales métodos:

• Se utilizó un enfoque de validación cruzada de cinco veces para gestionar el desequilibrio de los conjuntos de datos.
• El rendimiento del modelo se evaluó utilizando la precisión, la tasa de positivos verdaderos, la tasa de negativos verdaderos, la puntuación F1 y el AUC.

Principales resultados:

• El modelo logró una precisión general de 0,797 y un AUC de 0,843.
• Demostró un mayor rendimiento predictivo para los aneurismas no rotos (TNR: 0,837) en comparación con los rotos (TPR: 0,644).
• El TPR más bajo para los aneurismas rotos se relacionó con el tamaño pequeño de la muestra y el desequilibrio de los datos.

Conclusiones:

• El modelo ML desarrollado ofrece un nuevo enfoque para la predicción del riesgo de ruptura de MIA, complementando la puntuación PHASES.
• La aplicabilidad clínica está limitada por el rendimiento subóptimo en la predicción de aneurismas rotos y la ausencia de validación externa.
• La investigación futura con cohortes más grandes es esencial para validar y mejorar el modelo de estrategias de tratamiento personalizadas.