Predicción del riesgo de aborto amenazado mediante métodos de aprendizaje automático: un estudio comparativo

Área de la Ciencia:

• Obstetricia y ginecología
• La informática médica
• Biología computacional

Sus antecedentes:

• El aborto amenazado es difícil de predecir debido a los síntomas no específicos y las causas que se superponen con otros sangrados tempranos del embarazo.
• Los métodos de diagnóstico actuales, como los ultrasonidos en serie y el seguimiento clínico, requieren mucho tiempo y no son oportunos para una intervención temprana.
• Se necesitan herramientas analíticas avanzadas para mejorar la detección temprana y la estratificación del riesgo de la amenaza del aborto.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático (ML) para predecir el aborto amenazado utilizando datos de análisis de sangre de rutina.
• Para comparar el rendimiento de ocho diferentes algoritmos ML en la identificación de la amenaza de aborto.
• Para identificar los indicadores clave de la sangre que son más influyentes en la predicción de la amenaza de aborto.

Principales métodos:

• Registros médicos recopilados de 1764 pacientes con amenaza de aborto y 1489 controles (enero 2022-marzo 2024).
• Se aplicó la normalización de la puntuación Z a los indicadores de rutina sanguínea y se utilizó 'class_weight="balanced"' para la optimización de hiperparámetros.
• Se han entrenado y probado ocho algoritmos ML (LR, RF, SVM, GBM, XGB, DNN, DT, NB), evaluando el rendimiento utilizando el AUC, la precisión, la especificidad, la sensibilidad y la puntuación F1.

Principales resultados:

• El modelo de Red Neural Profunda (DNN) logró el mayor rendimiento predictivo con un AUC del 96,76%.
• El modelo DNN demostró excelentes métricas: precisión (91,88%), especificidad (91,62%), sensibilidad (92,11%) y puntaje F1 (92,48%).
• El análisis SHAP identificó RDW-SD, PDW, MPV, RDW-CV, BAS#, PLT, MCHC y LYM como características predictivas cruciales.

Conclusiones:

• Los modelos de aprendizaje automático que utilizan análisis de sangre de rutina muestran un potencial significativo para la detección temprana de amenazas de aborto.
• El modelo ML desarrollado puede ayudar a los proveedores de atención médica en la intervención temprana, reduciendo potencialmente la incidencia del aborto.
• Se requieren estudios de validación más extensos antes de la implementación clínica del modelo ML.