Factores predictivos que afectan los resultados de supervivencia de los pacientes con hepatitis mediante la...

Área de la Ciencia:

• Hepatología
• La informática médica
• Aprendizaje automático

Sus antecedentes:

• La hepatitis, causada por los virus A-E, puede conducir a enfermedades hepáticas graves como la cirrosis y el cáncer.
• Las infecciones crónicas por hepatitis B y C elevan significativamente el riesgo de insuficiencia hepática.
• El aprendizaje automático ofrece un enfoque prometedor para predecir el riesgo de hepatitis mediante el análisis de los datos de los pacientes.

Objetivo del estudio:

• Desarrollar y evaluar modelos avanzados de aprendizaje automático para predecir la supervivencia de la hepatitis.
• Comparar la eficacia de los modelos híbridos que combinan algoritmos de clasificación con técnicas de optimización.

Principales métodos:

• Utilizó la clasificación de árboles de decisión (DTC) y la clasificación de aumento de gradiente extremo (XGBC).
• Integró tres nuevos optimizadores: algoritmo de optimización de rizotomía (ROA), optimizador de fiebre del oro (GRO) y algoritmo de optimización de partículas cargadas eléctricas codificadas por movimiento (MEPO).
• Modelos híbridos desarrollados: DTRO, XGRO y DTME para una mayor precisión predictiva.

Principales resultados:

• El modelo híbrido DTRO logró la mayor precisión de 0,991, superando el DTC de referencia.
• El modelo híbrido XGRO también demostró una alta precisión, alcanzando 0.991.
• El modelo híbrido DTME logró una precisión de 0,954.

Conclusiones:

• El modelo DTRO resultó ser el más fiable para predecir la supervivencia de la hepatitis.
• Los modelos híbridos de aprendizaje automático muestran un potencial significativo para mejorar la predicción de los resultados de la hepatitis.
• Los algoritmos de clasificación optimizados ofrecen una mayor precisión en el manejo de los riesgos de enfermedad hepática.