Video Experimental Relacionado
Updated: Sep 10, 2025
Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
Los modelos de predicción para el momento óptimo de la intervención quirúrgica para la enterocolitis necrotizante:
Xuetian Li1, Liting Zhang1, Hongjie Gao2
1Department of Pediatric Surgery, Qilu Hospital of Shandong University, Jinan, China.
Identificar el momento quirúrgico óptimo para la enterocolitis necrotizante (NEC) en los recién nacidos es un desafío. Este estudio encontró que los modelos de regresión logística (LR) predicen mejor el tiempo quirúrgico, con el modelo de bosque aleatorio (RF) mostrando un fuerte rendimiento entre los enfoques de aprendizaje automático.
Área de la Ciencia:
- Cirugía neonatal
- Informática médica
- Gastroenterología pediátrica
Sus antecedentes:
- La enterocolitis necrotizante (NEC) es una condición neonatal crítica que requiere una intervención quirúrgica oportuna.
- Los métodos actuales para determinar el tiempo quirúrgico óptimo en NEC son insuficientes.
- El desarrollo de modelos predictivos puede mejorar la toma de decisiones clínicas para la gestión de NEC.
Objetivo del estudio:
- Establecer y comparar modelos de aprendizaje automático (ML) con regresión logística (LR) para identificar el tiempo quirúrgico óptimo en NEC.
- Para visualizar los indicadores clave que influyen en el tiempo quirúrgico utilizando un nomograma.
- Mejorar el apoyo a la decisión clínica para la intervención quirúrgica del NEC.
Principales métodos:
- Recopilación de datos clínicos, de laboratorio y de imágenes de pacientes con NEC (2011-2024).
- Aplicación de algoritmos LR y ML univariados/multivariados (RF, SVM, DT, NB, KNN) para el análisis de los indicadores predictivos.
- Construido un nomograma basado en el análisis de LR para visualizar los factores de riesgo.
- Evaluación del rendimiento del modelo utilizando las curvas ROC, la calibración y el DCA.
Principales resultados:
- La regresión logística (LR) demostró el mejor rendimiento general en la predicción de la sincronización quirúrgica NEC.
- El modelo de bosque aleatorio (RF) mostró el rendimiento más alto entre los modelos de ML probados.
- La ampliación del espacio entre bucles se identificó como un indicador significativo con la puntuación más alta en el nomograma.
Conclusiones:
- El modelo LR es muy eficaz para predecir el tiempo quirúrgico óptimo en NEC.
- El modelo de RF también ofrece excelentes capacidades predictivas entre los enfoques de ML.
- Estos modelos, en particular el modelo LR y su nomograma, pueden ayudar a determinar el momento quirúrgico más preciso para los recién nacidos con NEC.
