Desarrollo de una herramienta basada en la web que utilice algoritmos de aprendizaje automático para mejorar la...

Área de la Ciencia:

• En el campo de la oncología
• Salud pública
• Inteligencia artificial

Sus antecedentes:

• El cáncer colorrectal (CRC) es un problema de salud importante en China.
• Las bajas tasas de colonoscopía de diagnóstico ponen de relieve la necesidad crítica de mejorar la adherencia al cribado.

Objetivo del estudio:

• Para predecir el comportamiento de la colonoscopia en adultos de mediana edad y ancianos utilizando el aprendizaje automático.
• Para identificar los factores determinantes de la adherencia en la colonoscopia.
• Desarrollar una herramienta basada en la web (ColoAdhere) para mejorar la absorción de la colonoscopia de diagnóstico.

Principales métodos:

• Se utilizaron datos de 49.418 consultas positivas de detección de CCR (2013-2021) en Shanghai.
• Se emplearon múltiples modelos de aprendizaje automático (LR, Adaboost, XGBoost, RF, GBM, MLP) para predecir la adherencia a la colonoscopia.
• Predictores analizados, incluidos los datos demográficos, el historial de salud, el estilo de vida y el historial familiar utilizando el análisis SHAP.

Principales resultados:

• La tasa de finalización de la colonoscopia de diagnóstico fue del 11,5%.
• Los modelos de aprendizaje automático demostraron un rendimiento predictivo moderado (AUC > 60, 0%).
• Se identificaron los principales factores predictivos: cribado FOBT, antecedentes de cáncer, género, edad, antecedentes de pólipos y ocupación.

Conclusiones:

• Las bajas tasas de finalización de la colonoscopia en poblaciones de alto riesgo requieren intervenciones específicas.
• Una herramienta de predicción de comportamiento impulsada por IA (ColoAdhere) es prometedora para aumentar las tasas de colonoscopia de diagnóstico en los programas de detección.