La aplicación de modelos de inteligencia artificial para predecir el riesgo de pie diabético: un estudio...

Área de la Ciencia:

• La informática médica
• Inteligencia artificial en el cuidado de la salud
• Investigación de las complicaciones de la diabetes

Sus antecedentes:

• El pie diabético es una complicación grave de la diabetes que conduce a la discapacidad y la mortalidad.
• La identificación temprana de los pacientes de alto riesgo es crucial para una intervención efectiva.
• Los métodos actuales de evaluación de riesgos pueden carecer de precisión y eficacia.

Objetivo del estudio:

• Desarrollar y validar una herramienta de predicción multimodelo para el riesgo de pie diabético utilizando el aprendizaje profundo (DL) y el aprendizaje automático (ML).
• Crear una aplicación integrada para que los médicos evalúen con precisión y eficiencia el riesgo de DF.
• Identificar los principales factores de riesgo para el desarrollo del pie diabético en las poblaciones de edad avanzada.

Principales métodos:

• Un estudio retrospectivo multicéntrico de 6.180 pacientes diabéticos ancianos.
• Regresión de Lasso para identificar 16 factores clave de riesgo de DF.
• Entrenamiento y optimización de 14 modelos ML y 3 DL.
• Desarrollo de una aplicación integrada con capacidades de predicción individuales y por lotes.

Principales resultados:

• El modelo de conjunto de regresión logística demostró un rendimiento robusto con un alto AUC (0,943 validación, 0,938 prueba).
• Las características predictivas clave identificadas incluyen el índice de tobillo-braquio (ABI), la incomodidad de las extremidades inferiores y la puntuación del examen de estado mental mini (MMSE).
• La aplicación desarrollada integra múltiples modelos, mejorando la transparencia y la fiabilidad de las predicciones.

Conclusiones:

• El enfoque multimodelo ofrece un buen rendimiento predictivo para el riesgo de pie diabético.
• La aplicación integrada proporciona a los médicos una herramienta intuitiva y precisa para la evaluación de riesgos individualizada.
• La combinación de múltiples modelos mejora la estabilidad de los resultados y la aplicabilidad clínica para mejorar la prevención de la FD.