Modelado de árboles de decisión para predecir la progresión de la miopía en niños tratados con atropina: hacia la...

Área de la Ciencia:

• Oftalmología
• Aprendizaje automático
• Salud pediátrica

Sus antecedentes:

• La miopía es un problema de salud mundial significativo, particularmente en los niños de Asia Oriental.
• La atropina tópica se utiliza para controlar la miopía pediátrica, pero las respuestas al tratamiento varían significativamente.
• La predicción de las respuestas individuales a la atropina es crucial para el tratamiento eficaz de la miopía.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático interpretable para predecir respuestas individualizadas a la atropina tópica en el control de la miopía pediátrica.
• Identificar los principales factores de riesgo que influyen en la progresión de la miopía a pesar del tratamiento.
• Apoyar las decisiones clínicas personalizadas en el manejo de la miopía.

Principales métodos:

• Estudio observacional retrospectivo de 1545 ojos pediátricos tratados con atropina tópica durante 3 años.
• Modelo de árbol de clasificación y regresión (CART) utilizado para predecir cambios en el equivalente esférico (SE).
• Comparación del rendimiento del modelo CART con la regresión de menor reducción absoluta y operador de selección (Lasso).

Principales resultados:

• Los modelos CART y Lasso mostraron un rendimiento predictivo comparable.
• Se identificó el equivalente esférico basal (SE) como el determinante primario de la progresión de la miopía.
• Los niños con SE inicial más negativo que -3,125 D mostraron una mayor progresión, especialmente con un tratamiento más prolongado y una dosis más alta de atropina.

Conclusiones:

• El SE basal es el factor crítico que influye en la progresión de la miopía.
• El aprendizaje automático explicable, a través de las reglas de decisión de CART, puede mejorar la precisión del manejo de la miopía.
• El estudio apoya estrategias de tratamiento individualizadas para el control de la miopía pediátrica.