Predicción de la actividad de un año en el lupus eritematoso sistémico: enfoque jerárquico de aprendizaje automático

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Aprendizaje automático para la salud
• Análisis predictivo en reumatología

Sus antecedentes:

• El lupus eritematoso sistémico (LES) es una enfermedad crónica compleja con actividad impredecible que afecta a múltiples órganos.
• La predicción de eventos de actividad del LES es un desafío debido a la variabilidad individual y los patrones temporales de la enfermedad.
• La gestión actual se basa en el seguimiento, lo que pone de relieve la necesidad de herramientas predictivas.

Objetivo del estudio:

• Desarrollar y validar un modelo jerárquico de aprendizaje automático para predecir la actividad del LES a los 12 meses.
• Definir la actividad del LES como hospitalización, afectación de nuevos órganos o manifestaciones específicas.
• Identificar las características predictivas clave para mejorar la toma de decisiones clínicas.

Principales métodos:

• Se desarrolló un modelo jerárquico que combina un bosque aleatorio y un árbol de decisión.
• El modelo utilizó datos longitudinales de 262 pacientes con LES (2012-2020).
• Las características incluían datos demográficos, historial clínico, resultados de laboratorio y tratamientos en diferentes períodos de tiempo.

Principales resultados:

• El modelo jerárquico logró un AUC de 0,743, superando al modelo inicial (AUC 0,696).
• La IA explicable identificó 15 características clave que influyen en las predicciones, como la edad y la respuesta a la terapia.
• El modelo demostró una mejora del rendimiento para subgrupos específicos de pacientes.

Conclusiones:

• Se introduce una herramienta de IA explicable y confiable para la predicción de la actividad del LES durante un año.
• El modelo sirve como un sistema de apoyo a la decisión para mejorar la gestión del paciente y personalizar el tratamiento.
• La metodología es adaptable para predecir resultados en otras enfermedades autoinmunes crónicas.