Aprendizaje automático y selección de características en apendicitis pediátrica

Área de la Ciencia:

• La informática médica
• La inteligencia artificial en la medicina
• Cirugía pediátrica

Sus antecedentes:

• La predicción precisa del diagnóstico, el tratamiento y la gravedad de la apendicitis pediátrica es crucial para la toma de decisiones clínicas efectivas.
• Los modelos de aprendizaje automático (ML) ofrecen potencial para mejorar la precisión del diagnóstico y los resultados del paciente.
• El papel de las características descriptivas de la imagen de ultrasonido (US) en el rendimiento del modelo ML requiere más investigación.

Objetivo del estudio:

• Evaluar el rendimiento predictivo de varios modelos de ML y técnicas de selección de características para la apendicitis pediátrica.
• Evaluar el impacto de las características descriptivas de las imágenes estadounidenses en el rendimiento y la explicabilidad del modelo.
• Identificar los enfoques óptimos de ML para predecir el diagnóstico, el manejo y la gravedad de la apendicitis pediátrica.

Principales métodos:

• Estudio de cohorte retrospectivo de 781 pacientes pediátricos (0-18 años) con apendicitis.
• Desarrollo y validación de modelos ML, incluidos el bosque aleatorio, la regresión logística, el SGD y el LGBM.
• Combinación exhaustiva de modelos ML con métodos de selección de características basados en filtros, integrados y envolventes, incluido un nuevo enfoque consciente de la redundancia.
• Evaluación de modelos con y sin características descriptivas de imágenes estadounidenses utilizando métricas de precisión y AUROC.

Principales resultados:

• Las características estadounidenses mejoran significativamente la precisión del diagnóstico, reduciendo el sesgo del modelo.
• Los modelos alcanzaron un alto rendimiento: diagnóstico (bosque aleatorio con selección de características LGBM: 98.1% de precisión, 0.993 AUROC), manejo (bosque aleatorio: 93.9% de precisión, 0.980 AUROC) y gravedad (LGBM con selección de características basada en filtros: 90.1% de precisión, 0.931 AUROC).
• Las características estadounidenses no fueron esenciales para maximizar la precisión en la predicción de la gestión o la gravedad.

Conclusiones:

• Los modelos de ML de alto rendimiento e interpretables pueden predecir con eficacia los resultados clínicos clave en la apendicitis pediátrica.
• Las características de la imagen estadounidense mejoran la precisión del diagnóstico, pero no son críticas para predecir el manejo o la gravedad.
• ML ofrece una herramienta prometedora para optimizar la toma de decisiones clínicas en la apendicitis pediátrica.