Video Experimental Relacionado
Updated: Sep 8, 2025
07:28
A Contusive Model of Unilateral Cervical Spinal Cord Injury Using the Infinite Horizon Impactor
Published on: July 24, 2012
19.8K
Un modelo de aprendizaje automático interpretable para predecir lesiones del miocardio en pacientes con lesiones
Jiaqi Li1,2, Bingyu Zhang1,2, Ye Liao1,2
1Department of Anesthesiology, Anesthesiology Research Institute, The First Affiliated Hospital, Fujian Medical University, Fuzhou, China.
Frontiers in genetics
|August 20, 2025
Resumen
Los modelos de aprendizaje automático pueden predecir lesiones del miocardio en pacientes con lesiones altas de la médula espinal cervical. Un modelo de red neuronal, interpretado con SHAP, ofrece información precisa e individualizada sobre el riesgo para el diagnóstico y el manejo tempranos.
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.
