Desarrollo y validación de un sistema de alerta temprana basado en el aprendizaje automático para predecir el riesgo...

Área de la Ciencia:

• En el campo de la oncología
• Hematología
• La informática médica

Sus antecedentes:

• Los pacientes con linfoma sometidos a quimioterapia se enfrentan a un riesgo elevado de tromboembolismo venoso (TEV) debido a la hospitalización, el tratamiento prolongado y la inmovilidad.
• La predicción temprana y precisa de TEV en esta población vulnerable sigue siendo un desafío clínico significativo.

Objetivo del estudio:

• Desarrollar y validar un sistema de alerta temprana basado en el aprendizaje automático (VTE-EWS) para predecir el riesgo de TEV en pacientes con linfoma hospitalizados para quimioterapia.
• Crear una herramienta visual (nomograma) para evaluar el riesgo individual de TEV y comparar su eficacia con la puntuación Khorana establecida (KS).

Principales métodos:

• Análisis retrospectivo de datos clínicos de 1.141 pacientes con linfoma en cuatro centros médicos académicos.
• Aplicación de seis algoritmos de aprendizaje automático para identificar las variables predictivas clave para el VTE.
• Validación externa de los modelos desarrollados y comparación con el puntaje Khorana (KS).

Principales resultados:

• Seis modelos de aprendizaje automático demostraron un fuerte rendimiento de validación externa, con precisiones de hasta 0,87 y AUC de hasta 0,84.
• Se desarrolló un nomograma que incluía el recuento de glóbulos blancos, el dímero D, el uso del catéter venoso central, la edad, los ciclos de quimioterapia y el estado de rendimiento ECOG.
• El VTE-EWS identificó más pacientes de alto riesgo y ofreció un mayor beneficio clínico en comparación con el KS.

Conclusiones:

• El VTE-EWS utiliza efectivamente indicadores clínicos simples para la predicción rápida y visual del riesgo de VTE en pacientes hospitalizados con linfoma.
• Este sistema facilita intervenciones precisas y específicas, mejorando el manejo del paciente durante la quimioterapia.