Video Experimental Relacionado
Updated: Sep 10, 2025
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Predicción de los resultados de la litotripsia por ondas de choque extracorporales utilizando el aprendizaje
Mucahit Gelmis1, Sina Kardas1, Ali Ayten1
1Department of Urology, Gaziosmanpasa Training and Research Hospital, Istanbul, Turkiye.
La puntuación cuádruple-D combinada con el aprendizaje automático, especialmente el bosque aleatorio, predice con precisión los resultados libres de piedras después de la litotripsia por ondas de choque extracorpóreas. Esta integración mejora la selección de la estrategia de tratamiento para los cálculos renales.
Área de la Ciencia:
- Urología
- Imágenes médicas
- La medicina computacional
Sus antecedentes:
- La litotripsia por ondas de choque extracorpóreas (ESWL) es un procedimiento común para los cálculos renales.
- La predicción de resultados libres de cálculos después de ESWL es crucial para el éxito del tratamiento.
- Los sistemas de puntuación existentes pueden tener limitaciones en la precisión predictiva.
Objetivo del estudio:
- Evaluar el rendimiento predictivo de las puntuaciones triple-D y cuádruple-D integradas con modelos de aprendizaje automático (ML) para resultados libres de cálculos después de la ESWL.
- Comparar el rendimiento de diferentes modelos de aprendizaje automático (bosque aleatorio, regresión logística, red neuronal) para predecir el éxito de ESWL.
- Identificar los factores predictivos clave que influyen en los resultados de la ESWL.
Principales métodos:
- Un estudio observacional analizó a 309 pacientes sometidos a ESWL.
- Los pacientes se clasificaron como libres de cálculos o no libres de cálculos en función de las imágenes posteriores al tratamiento.
- Se entrenaron y probaron tres modelos ML (bosque aleatorio, regresión logística, red neuronal), con un rendimiento evaluado utilizando la precisión, el AUC, la precisión, el recuerdo y la puntuación F1.
Principales resultados:
- La puntuación cuádruple-D mostró un poder predictivo superior (AUC: 0,724) en comparación con la puntuación triple-D (AUC: 0,700).
- El bosque aleatorio (RF) logró la mayor precisión (82.9%, AUC: 0.91), seguido de la red neuronal (NN) y la regresión logística (LR).
- Los predictores significativos incluyeron la densidad de la piedra, el volumen, la distancia piel-piedra (SSD) y la puntuación cuadruple-D.
Conclusiones:
- La integración de la puntuación cuádruple-D con los modelos de ML, en particular RF, mejora significativamente la predicción de los resultados de ESWL.
- La combinación de puntuación clínica con inteligencia computacional puede optimizar la selección de pacientes y las estrategias de tratamiento de ESWL.
- Se recomiendan estudios prospectivos para validar estos hallazgos.
