Un modelo de aprendizaje automático para predecir la sarcopenia entre adultos de mediana edad: desarrollo y...

Área de la Ciencia:

• Gerontología y Salud Pública
• Informática biomédica
• Fisiología muscular

Sus antecedentes:

• La sarcopenia, un trastorno muscular común en adultos mayores, requiere detección temprana en poblaciones de mediana edad para mejorar los resultados de salud.
• La identificación temprana de la sarcopenia puede reducir las cargas futuras de atención médica y mejorar la calidad de vida de las personas mayores.
• El aprendizaje automático (ML) ofrece potencial para analizar conjuntos de datos complejos para identificar factores de riesgo de sarcopenia, abordando una necesidad clínica no satisfecha.

Objetivo del estudio:

• Desarrollar y validar externamente un modelo de aprendizaje automático (ML) para predecir el riesgo de sarcopenia en adultos de mediana edad.
• Utilice un conjunto de datos representativo a nivel nacional para garantizar la generalización y aplicabilidad del modelo.
• Establecer una herramienta para la identificación y la intervención tempranas de la sarcopenia en poblaciones de mediana edad.

Principales métodos:

• Análisis de datos de 1926 adultos de mediana edad (40-64 años) de la Encuesta Nacional de Salud y Nutrición de Corea 2022 (KNHANES).
• Diagnóstico de sarcopenia basado en los criterios del Grupo de Trabajo Asiático para la Sarcopenia 2019 (baja masa muscular y reducción de la fuerza muscular).
• Se emplearon cuatro algoritmos ML (bosque aleatorio, SVM, XGBoost, regresión logística), con el modelo superior validado en una cohorte externa (2247 participantes, 2023 KNHANES).

Principales resultados:

• El modelo de regresión logística mostró el mejor rendimiento con un AUC de 0,85, una sensibilidad de 0,92 y una puntuación F2 de 0,66.
• La validación externa utilizando el conjunto de datos KNHANES 2023 confirmó las sólidas capacidades predictivas del modelo.
• El modelo ML desarrollado demuestra un gran potencial de aplicación generalizada en la identificación del riesgo de sarcopenia.

Conclusiones:

• Un modelo de ML validado externamente identifica con precisión el riesgo de sarcopenia en adultos de mediana edad.
• La detección temprana y las intervenciones adaptadas durante la mediana edad son cruciales para mitigar la sarcopenia y optimizar la salud a largo plazo.
• Este estudio pone de relieve la utilidad del ML para aprovechar los datos nacionales de salud para estrategias proactivas de salud pública.