Modelo de predicción basado en el aprendizaje automático para la recurrencia después de la ablación del catéter de...

Área de la Ciencia:

• Cardiología
• La informática médica
• Inteligencia artificial

Sus antecedentes:

• La recurrencia de la fibrilación auricular (FA) después de la ablación por catéter de radiofrecuencia (RFCA) sigue siendo un desafío clínico.
• La predicción de la recurrencia de la FA es crucial para optimizar el manejo del paciente y las estrategias de seguimiento.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir la recurrencia de la FA a los 12 meses después de la RFCA.
• Identificar los predictores clínicos clave de la recurrencia de la FA mediante técnicas de interpretabilidad de ML.

Principales métodos:

• Análisis retrospectivo de 430 pacientes sometidos por primera vez a RFCA, dividido en cohortes de entrenamiento (70%) y pruebas (30%).
• Evaluación de cuatro algoritmos ML, incluida la máquina de aumento de gradiente de luz (LightGBM).
• Utilizó las explicaciones aditivas de SHapley (SHAP) para la interpretación del modelo y el análisis de la importancia de las características.

Principales resultados:

• El modelo LightGBM logró una precisión de 0,721 y un AUC de 0,848 en el conjunto de pruebas.
• El péptido natriurético de tipo B (BNP) y la proporción de neutrófilos/ linfocitos (NLR) fueron identificados como los predictores más fuertes de la recurrencia de la FA.
• Los niveles más altos de BNP y NLR se correlacionaron con un mayor riesgo de recurrencia; los recuentos más altos de albúmina y linfocitos mostraron efectos protectores.

Conclusiones:

• Los modelos de ML demuestran un rendimiento prometedor, aunque modesto, en la predicción de la recurrencia de la FA utilizando datos clínicos de rutina.
• Estos modelos ofrecen un potencial para mejorar la estratificación del riesgo y el seguimiento personalizado después de la RFCA.
• La validación externa es necesaria antes de la implementación clínica generalizada.