Un modelo explicable de aprendizaje automático para predecir el parto vaginal después de la cesárea

Área de la Ciencia:

• Obstetricia y ginecología
• La informática médica
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• Se recomienda el parto vaginal después de la cesárea (VBAC), pero predecir el éxito sigue siendo un reto.
• Las herramientas existentes carecen de precisión para identificar a los candidatos elegibles para VBAC.
• El aprendizaje automático (ML) ofrece potencial para desarrollar modelos predictivos precisos en obstetricia.

Objetivo del estudio:

• Desarrollar un modelo explicable de aprendizaje automático (ML) para predecir la probabilidad de éxito del VBAC.
• Identificar los factores clave que influyen en el éxito de VBAC utilizando técnicas de interpretabilidad de ML.

Principales métodos:

• Análisis de 2438 mujeres sometidas a prueba de parto después de una cesárea (TOLAC) de dos hospitales terciarios chinos.
• Desarrollo y evaluación de siete modelos predictivos basados en el ML utilizando el AUC.
• Selección del modelo óptimo (CatBoost) y interpretación de sus predicciones utilizando valores SHAP.

Principales resultados:

• El modelo CatBoost logró el AUC más alto de 0,767, con una precisión de 0,652.
• El análisis SHAP reveló que la puntuación de Bishop cervical y el intervalo entre embarazos fueron los factores más influyentes para el éxito del VBAC.
• El modelo demostró un buen rendimiento en la predicción de los resultados de VBAC.

Conclusiones:

• Los modelos de ML, en particular el modelo CatBoost, pueden predecir efectivamente el éxito de VBAC.
• Los médicos deben utilizar estos modelos para el análisis sistemático de beneficio-riesgo y la evaluación individualizada del paciente.
• La investigación adicional puede perfeccionar las herramientas basadas en el aprendizaje automático para mejorar el asesoramiento y la toma de decisiones de VBAC.