Evaluación de modelos de pronóstico de la diabetes gestacional basados en el aprendizaje automático y la regresión...

Área de la Ciencia:

• Obstetricia y ginecología
• La informática médica
• Epidemiología

Sus antecedentes:

• Los modelos de predicción de la diabetes mellitus gestacional (DMG) requieren una evaluación temporal para garantizar la precisión.
• Los cambios en la demografía de la población y la prevalencia de DMG requieren actualizaciones y validación del modelo.

Objetivo del estudio:

• Evaluar temporalmente los modelos de predicción de GDM existentes.
• Para actualizar los modelos GDM según sea necesario.
• Comparar el rendimiento del aprendizaje automático (ML) y los modelos de GDM basados en regresión a lo largo del tiempo.

Principales métodos:

• Utilizó un conjunto de datos de validación temporal de 12,722 embarazos individuales (2021-2022).
• Modelos de regresión logística (LR) y ML evaluados de Monash GDM (versiones 2 y 3).
• Evaluación del rendimiento del modelo mediante discriminación (AUC), calibración y análisis de la curva de decisión (DCA).

Principales resultados:

• Todos los modelos demostraron un rendimiento de discriminación similar (AUC ~ 0,73).
• Los modelos mostraron una sobreestimación, que mejoró con la recalibración.
• Todos los modelos proporcionaron mejores beneficios netos que las estrategias de tratamiento total o no tratamiento.

Conclusiones:

• Los modelos de GDM se mantuvieron robustos después de la recalibración a pesar de los cambios en las características de la población.
• El rendimiento del modelo ML original disminuyó significativamente durante la validación.
• Los modelos dinámicos son superiores para adaptarse a los cambios temporales y la deriva de calibración.