Investigación de factores predictivos para el hígado graso en niños y adolescentes utilizando inteligencia artificial

Área de la Ciencia:

• Hepatología pediátrica
• La informática médica
• Aprendizaje automático en medicina

Sus antecedentes:

• La obesidad infantil es un problema de salud mundial, que aumenta la incidencia de la enfermedad hepática grasa no alcohólica (EHGNA), la enfermedad hepática más frecuente en los niños.
• La biopsia hepática, el estándar actual para el diagnóstico de la EHGNA, puede ser invasiva. La detección temprana mediante métodos avanzados es crucial para un mejor pronóstico del paciente.
• El aprendizaje automático (ML) ofrece una vía prometedora para desarrollar herramientas de diagnóstico temprano y no invasivas para la EHGNA pediátrica.

Objetivo del estudio:

• Identificar los factores predictivos clave para la EHGNA en poblaciones pediátricas mediante el uso de modelos de ML.
• Evaluar la eficacia de varios algoritmos ML en el diagnóstico de la EHGNA basándose en los resultados de la biopsia hepática.
• Evaluar el rendimiento predictivo de las características histológicas específicas de la EHGNA como la fibrosis, la esteatosis y el crecimiento en globo.

Principales métodos:

• Análisis de datos de 659 niños con sospecha de NAFLD que se sometieron a biopsia hepática entre 2011 y 2023.
• El preprocesamiento de datos implicó la codificación de una sola vez para las variables categóricas y la estandarización de las características numéricas.
• Capacitación y evaluación de modelos ML, incluidos CatBoost, AdaBoost, Random Forest y GradientBoosting, utilizando validación cruzada y métricas como precisión, precisión, recuerdo, puntuación F1 y ROC-AUC.

Principales resultados:

• El clasificador CatBoost logró la mayor precisión predictiva (91,8%) y el ROC-AUC (92,3%) en la validación cruzada para el diagnóstico de la EHGNA.
• Los modelos ajustados demostraron un mejor rendimiento, con la puntuación F1 de CatBoost aumentando del 83% al 89% (AUC: 0.86-0.92).
• Otros modelos como GradientBoosting y Bernoulli Naive Bayes también mostraron capacidades predictivas mejoradas después de los ajustes.

Conclusiones:

• Los modelos de aprendizaje automático, especialmente CatBoost, muestran un potencial significativo para el diagnóstico preciso y precoz de la EHGNA en los niños.
• Estos hallazgos sugieren que el ML puede servir como una herramienta valiosa para apoyar la toma de decisiones clínicas en la EHGNA pediátrica.
• Un mayor desarrollo y validación de los algoritmos de ML podría conducir a mejores estrategias de diagnóstico y tratamiento del paciente para la EHGNA infantil.