Un modelo de aprendizaje automático interpretable para predecir lesiones del miocardio en pacientes con lesiones...

Área de la Ciencia:

• Medicina cardiovascular
• Neurología
• Inteligencia artificial

Sus antecedentes:

• La lesión alta de la médula espinal cervical (HCSCI) plantea riesgos de disfunción autónoma y complicaciones cardiovasculares, incluida la lesión miocárdica.
• La detección temprana de la lesión miocárdica en pacientes con HCSCI es difícil debido a la falta de herramientas predictivas.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático (ML) para predecir lesiones del miocardio en pacientes con HCSCI.
• Identificar factores de riesgo independientes y mejorar la interpretabilidad para la toma de decisiones clínicas.

Principales métodos:

• Análisis retrospectivo de 454 pacientes con ECSC, clasificados en grupos con lesiones miocárdicas (n=101) y sin lesiones (n=353).
• Desarrollo y evaluación de cuatro modelos de aprendizaje automático (regresión logística, GBM, red neuronal, AdaBoost) utilizando AUC, puntuación F1 y AP.
• Aplicación de las explicaciones aditivas de SHapley (SHAP) para la interpretabilidad del modelo.

Principales resultados:

• La disnea y el hematocrito bajo fueron identificados como predictores independientes de la lesión miocárdica.
• El modelo de red neuronal demostró el mayor rendimiento (AUC, puntuación F1) y una calibración superior.
• El análisis SHAP destacó los predictores clave que incluyen disnea, LDL, nivel de médula espinal, parálisis y hematocrito.

Conclusiones:

• Un modelo de ML interpretable, en particular la red neuronal con SHAP, puede predecir con precisión la lesión miocárdica en el HCSCI.
• Este enfoque proporciona información transparente e individualizada sobre los riesgos para apoyar el diagnóstico precoz y la gestión específica.