Aprendizaje automático y selección de características en apendicitis pediátrica | JoVE Visualize

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.