Modelo predictivo basado en el aprendizaje automático para la lesión pulmonar asociada a la pancreatitis aguda: un...

Área de la Ciencia:

• La informática médica
• Medicina de cuidados intensivos
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• La lesión pulmonar asociada a la pancreatitis aguda (APALI) es una complicación grave de la pancreatitis aguda, asociada con una alta morbilidad y mortalidad.
• El diagnóstico y la intervención tempranos son cruciales para mejorar los resultados de los pacientes.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para predecir APALI.
• Identificar los factores clínicos clave asociados con el desarrollo de APALI.

Principales métodos:

• Se utilizaron datos de dos hospitales principales (2012-2023) con un total de 1,975 pacientes.
• Aplicó la regresión LASSO para la selección de características y construyó seis modelos de aprendizaje automático.
• Modelos evaluados utilizando el AUC, la precisión, la sensibilidad, la especificidad, la puntuación F1 y el recuerdo, con SHAP para el análisis de la importancia de las características.

Principales resultados:

• Los modelos XGBoost y Random Forest mostraron un rendimiento predictivo superior (AUC 0,92 y 0,914, respectivamente).
• Los predictores clave identificados incluyen la PCR, el IMC, el recuento de neutrófilos, el calcio, el lactato y la relación neutrófilos/albumina (NAR).
• Se desarrolló una calculadora de riesgos en línea basada en los modelos óptimos.

Conclusiones:

• Los modelos de aprendizaje automático desarrollados y validados demuestran una fuerte capacidad predictiva para APALI.
• La calculadora de riesgos en línea puede ayudar a la estratificación temprana del riesgo y a la toma de decisiones clínicas.
• Se recomienda una futura validación multicéntrica para confirmar la generalizabilidad.