Video Experimental Relacionado
Updated: Sep 10, 2025
09:44
Evaluation of Hepatic Glucose Production in a Polycystic Ovary Syndrome Mouse Model
Published on: March 5, 2022
3.0K
Detección supervisada del síndrome de ovario poliquístico en relación con la deficiencia de vitamina D mediante la
1School of Electrical Engineering, Vellore Institute of Technology, Chennai, Tamil Nadu, India.
Scientific reports
|August 26, 2025
Resumen
El síndrome de ovario poliquístico (SOP) está relacionado con la deficiencia de vitamina D3 en más del 40% de las pacientes. La detección temprana a través de modelos de IA puede mejorar el manejo de este trastorno hormonal que afecta la salud reproductiva de las mujeres.
Área de la Ciencia:
- Endocrinología y Salud Reproductiva
- Inteligencia artificial en el cuidado de la salud
- Ciencia de datos y aprendizaje automático
Sus antecedentes:
- El síndrome de ovario poliquístico (SOP) es un trastorno hormonal prevalente exacerbado por los estilos de vida modernos, que afecta significativamente la salud reproductiva de las mujeres.
- La detección temprana del SOP es crucial para controlar los riesgos para la salud asociados y mejorar los resultados de los pacientes.
- Los niveles de vitamina D3 son cada vez más reconocidos como un factor potencial en la fisiopatología del síndrome de ovario poliquístico.
Objetivo del estudio:
- Investigar la asociación entre los niveles de vitamina D3 y el SOP en una cohorte diversa.
- Desarrollar y evaluar modelos de aprendizaje automático para la detección del SOP y el análisis de la importancia de las características.
- Identificar los indicadores clave para el SOP, incluida la función de la vitamina D3.
Principales métodos:
- Un conjunto de datos personalizado de 1368 registros y 43 atributos fue seleccionado y procesado previamente utilizando técnicas como PPCA, IQR, estandarización de puntuación Z y SMOTE.
- La selección de las características se realizó mediante métodos de filtro (Chi-Square, ANOVA), de envoltura (EEFOA) y de inserción (LASSO, XGBoost).
- Se entrenaron clasificadores que incluyen el Bosque Aleatorio (RF), k-NN, DT y SVM, y el EEFOA-RF demostró un rendimiento superior. Se utilizaron métodos explicables de IA (XAI) (SHAP, LIME) para la importancia de las características.
Principales resultados:
- El EEFOA con clasificador de RF logró una alta precisión del 98,8% y una medida F del 98,19% en la detección de PCOS.
- El análisis de la importancia de las características reveló importantes conocimientos sobre los factores que contribuyen al SOP.
- Más del 40% de las personas diagnosticadas con SOP presentaron deficiencia o insuficiencia de vitamina D3.
Conclusiones:
- Los modelos de aprendizaje automático, en particular EEFOA-RF, muestran una alta eficacia en la detección del SOP.
- La deficiencia de vitamina D3 es prevalente entre los pacientes con SOP, lo que pone de relieve su papel potencial en la afección.
- Las ideas impulsadas por la IA pueden mejorar la comprensión y la detección temprana del SOP, informando las estrategias de manejo clínico.
