Video Experimental Relacionado
Updated: Sep 10, 2025
A Middle Cerebral Artery Occlusion Technique for Inducing Post-stroke Depression in Rats
Published on: May 22, 2019
El aprendizaje automático y los valores SHAP explican la asociación entre los determinantes sociales de la salud y la
Zhiwei Song1, Jilin Weng2, Yupeng Han3
1Shengli Clinical Medical College of Fujian Medical University, Department of Neurology, Fuzhou University Affiliated Provincial Hospital, Fujian Key Laboratory of Medical Analysis, Fujian Academy of Medical Sciences, Fuzhou, Fujian, China.
Los determinantes sociales de la salud (SDoH) están linealmente asociados con la depresión post-accidente cerebrovascular (PSD). El modelo de aprendizaje automático CatBoost predice efectivamente el PSD, destacando la importancia del SDoH en los resultados del accidente cerebrovascular.
Área de la Ciencia:
- * Informática médica
- * Salud pública
- * Neurología
Sus antecedentes:
- * La depresión post-accidente cerebrovascular (PSD) es una complicación común que afecta la recuperación y la calidad de vida del paciente.
- * Los determinantes sociales de la salud (SDoH) influyen significativamente en los resultados de salud, incluidos los posteriores a un accidente cerebrovascular.
- * La integración de SDoH en modelos predictivos puede mejorar la evaluación de la PSD y los resultados de las enfermedades relacionadas.
Objetivo del estudio:
- * Desarrollar y validar un modelo de aprendizaje automático (ML) que incorpore SDoH para la predicción de PSD.
- * Para analizar la asociación entre la prevalencia de SDoH y PSD.
- * Examinar la relación entre el SDoH y la mortalidad por cualquier causa en pacientes con PSD.
Principales métodos:
- * Se utilizaron datos de la Encuesta Nacional de Salud y Nutrición.
- * Regresión logística empleada para la asociación SDoH y PSD, y regresión de Cox para SDoH y mortalidad en PSD.
- * Aplicó el algoritmo de Boruta para la selección de características y construyó cuatro modelos de ML (CatBoost, Logistic, MLP, Random Forest) para la evaluación predictiva.
Principales resultados:
- * La regresión logística mostró una correlación positiva significativa entre la prevalencia de SDoH y PSD (p < 0,0001).
- * El modelo CatBoost logró el mayor rendimiento predictivo (AUC = 0,966), superando a otros modelos.
- * Los análisis de la curva de decisión y de la calibración confirmaron la utilidad y fiabilidad clínicas del modelo CatBoost, validadas además por una validación cruzada de diez veces.
Conclusiones:
- * Se estableció una relación lineal entre SDoH y PSD.
- * El modelo CatBoost demostró un rendimiento superior en la predicción de PSD.
- * Los valores SHAP subrayaron el papel crítico de SDoH en la predicción de la depresión posterior al accidente cerebrovascular.
