Modelos de aprendizaje automático con imputación múltiple con imputación secuencial de vecinos más cercanos para...

Área de la Ciencia:

• Otorrinolaringología
• Audiología
• La informática médica

Sus antecedentes:

• La pérdida auditiva neurosensorial súbita idiopática (ISSNHL) tiene un pronóstico variable.
• La predicción precisa de los resultados de ISSNHL es crucial para guiar el tratamiento y el manejo del paciente.

Objetivo del estudio:

• Investigar los factores de pronóstico para el ISSNHL.
• Desarrollar y evaluar modelos de aprendizaje automático para predecir el pronóstico del ISSNHL utilizando imputación múltiple.

Principales métodos:

• Análisis retrospectivo de 600 pacientes ISSNHL tratados con protocolos estandarizados.
• Recopilación de datos clínicos, audiométricos y de laboratorio; imputación múltiple de los valores faltantes.
• Evaluación de seis clasificadores de aprendizaje automático y análisis de la importancia de las características para la interpretabilidad del modelo.

Principales resultados:

• Se observaron diferencias prognóticas significativas en varios parámetros clínicos y audiométricos.
• Tres clasificadores de aprendizaje automático mostraron un rendimiento predictivo robusto.
• El análisis de la importancia de las características identificó los predictores clave, con un rendimiento estable del modelo después de la reducción de las características.

Conclusiones:

• Se identificaron nuevos factores de pronóstico para el ISSNHL, incluida la respuesta de emisión otoacústica provocada por el producto de distorsión, la respuesta auditiva del tronco cerebral, el umbral auditivo contralateral y el IMC.
• Los modelos de aprendizaje automático con imputación múltiple ofrecen un enfoque prometedor para la predicción del pronóstico ISSNHL.
• Se recomienda una mayor validación para facilitar la aplicación clínica y mejorar los resultados en los pacientes.