Video Experimental Relacionado
Updated: May 10, 2026
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Predicción de la respuesta a la estimulación de la médula espinal utilizando el aprendizaje automático basado en la
Eung-Joo Lee1, Meghan L Edgerton2, Barbara Buccilli3
1Department of Electrical and Computer Engineering, University of Arizona College of Engineering, Tucson, Arizona, USA.
Los modelos de aprendizaje automático que integran la radiómica y los datos clínicos predicen con precisión los resultados de la estimulación de la médula espinal (SCS). Este enfoque mejora la selección de pacientes para SCS, mejorando la efectividad del tratamiento y reduciendo los costos de atención médica.
Área de la Ciencia:
- Medicina para el dolor
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- El dolor crónico afecta a una población significativa de pacientes, lo que lleva a altos gastos en atención médica.
- La estimulación de la médula espinal (SCS) es un tratamiento aprobado por la FDA para el dolor crónico, con una utilización creciente.
- Las altas tasas de fallo del SCS requieren mejores criterios de selección de pacientes.
Objetivo del estudio:
- Desarrollar modelos de aprendizaje automático (ML) para predecir la respuesta del paciente al SCS.
- Para integrar la imagen radiómica espinal y los datos clínicos para una mayor precisión predictiva.
- Identificar a los pacientes con más probabilidades de beneficiarse de la SCS, optimizando los resultados y reduciendo los costos.
Principales métodos:
- Desarrollo de modelos de aprendizaje automático utilizando la base de datos SCS más grande de los Estados Unidos.
- Integración de las imágenes radiológicas de la columna con los datos clínicos de los pacientes.
- Validación de modelos predictivos para la respuesta del SCS.
Principales resultados:
- El modelo ML integrado logró una precisión del 90,00% y un AUC del 91,40% para predecir el estado de "50% de respuesta".
- Para el objetivo " 70% Responder ", el modelo mostró una precisión del 90,00% y un AUC del 86,11%.
- Las características radiómicas combinadas con las variables clínicas mejoraron significativamente las capacidades predictivas.
Conclusiones:
- Los modelos ML que incorporan datos radiómicos y clínicos son valiosos para predecir los resultados de la SCS.
- La selección sistemática de características mejora la interpretabilidad y la robustez del modelo.
- La integración de diversas fuentes de datos es crucial para mejorar la selección de pacientes con SCS y la eficacia del tratamiento.
