Utilizando variables clínicas y radiográficas para predecir el estado de ruptura de aneurisma intracraneal con...

Área de la Ciencia:

• Neurocirugía
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La inteligencia artificial (IA) y el aprendizaje automático (ML) se utilizan cada vez más para analizar los datos clínicos y radiográficos para la predicción de la ruptura del aneurisma intracraneal (IA).
• Estudios anteriores han explorado varias técnicas de ML para correlacionar características específicas del paciente con el estado de ruptura de IA.

Objetivo del estudio:

• Aplicar y comparar el rendimiento de múltiples modelos ML, incluidos el bosque aleatorio (RF), XGBoost (XGB), las máquinas vectoriales de soporte (SVM) y el perceptrón multicapa (MLP), para predecir el estado de ruptura de IA.
• Identificar las características clínicas y radiográficas clave que contribuyen de manera más significativa a la predicción de la ruptura de IA.

Principales métodos:

• Se analizó un conjunto de datos de 178 IA con 53 características, con características altamente correlacionadas eliminadas para reducir la redundancia.
• El ajuste de hiperparámetros se realizó utilizando la búsqueda de cuadrícula, y los modelos se evaluaron a través de la validación cruzada de 5 veces en cinco iteraciones.
• Se calcularon métricas de rendimiento que incluyen precisión, recuerdo, puntuación F1 y área debajo de la curva (AUC). Las puntuaciones de AUC se compararon con las de Wilcoxon.

Principales resultados:

• El bosque aleatorio (RF) logró la mayor precisión (85%) y un AUC superior (0,85) en comparación con los modelos XGBoost (0,76), SVM (0,69) y MLP (0,65) (P < 0,05).
• La dimensión fractal fue identificada como la característica más crucial en todos los modelos.
• Las características tridimensionales de la forma (3D) constituían 8 de las 15 características más importantes que impulsaban el rendimiento del modelo.

Conclusiones:

• Los modelos de RF demuestran una alta precisión y una precisión / recuperación equilibrada para predecir la ruptura de IA.
• Las características geométricas 3D son predictores críticos del estado de ruptura de IA, subrayando su importancia en la evaluación clínica y el análisis impulsado por IA.