Un modelo de aprendizaje automático explicable en dos etapas para predecir las complicaciones posteriores a la...

Área de la Ciencia:

• * Neurología e Inteligencia Artificial
• * Sistemas de apoyo a la decisión clínica
• * Manejo del accidente cerebrovascular y terapia de trombólisis

Sus antecedentes:

• * Las herramientas actuales de predicción del riesgo de trombólisis cerebrovascular muestran una precisión limitada para los eventos hemorrágicos tempranos.
• * Existe una importante necesidad insatisfecha de mejorar las estrategias de manejo del accidente cerebrovascular y la estratificación del riesgo.
• * Los métodos existentes tienen dificultades para predecir con precisión las complicaciones posteriores a la trombosis.

Objetivo del estudio:

• * Desarrollar y validar un modelo explicable de aprendizaje automático en dos etapas para la estratificación del riesgo de ictus.
• * Para predecir el riesgo de hemorragia, complicaciones compuestas y muerte por cualquier causa en pacientes antes y después de la trombólisis.
• * Para mejorar la precisión de la predicción de eventos adversos en pacientes con ictus que reciben trombólisis.

Principales métodos:

• * Desarrollo de un modelo de aprendizaje automático en dos etapas que integra LightGBM, XGBoost, bosque aleatorio, árbol de decisión y regresión logística.
• * Entrenamiento del modelo con datos de 5.333 pacientes con accidente cerebrovascular en el Hospital Tongji.
• * Validación externa realizada con datos de 526 pacientes en dos hospitales adicionales.

Principales resultados:

• * El modelo demostró una mejor precisión predictiva en la etapa posterior a la trombólisis en comparación con la etapa previa a la trombólisis.
• * Se obtuvieron valores más altos del área debajo de la curva (AUC) para el sangrado, las complicaciones compuestas y la predicción de muerte después de la trombólisis.
• * Predictores clave identificados, incluida la temperatura, los signos vitales y los factores demográficos, con un prototipo validado.

Conclusiones:

• * El modelo de aprendizaje automático desarrollado mejora significativamente la precisión de la predicción del riesgo de trombólisis en pacientes con accidente cerebrovascular.
• * El modelo apoya la gestión personalizada de la atención al paciente y ofrece potencial para la integración de apoyo a la decisión clínica.
• * Este enfoque representa un avance sustancial en el manejo del accidente cerebrovascular y la seguridad del paciente.