El uso del aprendizaje automático para predecir el tiempo de recuperación de la conmoción cerebral: la importancia de...

Área de la Ciencia:

• Medicina del deporte
• Neurología
• Ciencia de los datos

Sus antecedentes:

• La predicción del tiempo de recuperación de la conmoción cerebral es crucial para el manejo del atleta.
• Identificar predictores confiables de la recuperación prolongada sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático para predecir la duración de la recuperación de la conmoción cerebral.
• Comparar los factores predictivos del modelo ML con los factores de riesgo establecidos.
• Evaluar los modelos de aprendizaje automático con la regresión logística tradicional para la precisión predictiva.

Principales métodos:

• Utilizado el Registro de Conmociones del Norte de Texas (ConTex) conjunto de datos.
• Modelos de ML entrenados en 1000 participantes (de 6 a 59 años) con lesiones relacionadas con el deporte.
• Utilizó la validación cruzada de 5 veces y dejó una característica fuera (LOFO) para la evaluación del rendimiento y la importancia de la característica.

Principales resultados:

• Un modelo de ML binario CatBoost logró un AUC de 0,79 para predecir la recuperación dentro de 14 días o más.
• Los predictores clave incluyeron el tiempo hasta la clínica, la gravedad de los síntomas y los síntomas depresivos autoinformados, la ansiedad y la calidad del sueño.
• El rendimiento del modelo ML fue comparable al de la regresión logística, con modelos multiclase mostrando un AUC más bajo.

Conclusiones:

• La salud mental después de la lesión (depresión, ansiedad) y la calidad del sueño son predictores más fuertes de la recuperación prolongada de la conmoción cerebral que las características de la lesión como la pérdida de conciencia.
• El aprendizaje automático es prometedor en la predicción de la recuperación de la conmoción cerebral, aunque su superioridad sobre los métodos tradicionales depende de las características de los datos.