Video Experimental Relacionado
Updated: Sep 9, 2025
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Fibro predice una puntuación de riesgo de aprendizaje automático para la fibrosis hepática avanzada en la población
Iris N Kalka1,2, Rawi Hazzan3,4, Nancy-Sarah Yacovzada1,5
1Department of Computer Science and Applied Mathematics, Weizmann Institute of Science, Rehovot, Israel.
Un nuevo modelo de aprendizaje automático, Fibro-Predict, puede detectar la fibrosis hepática avanzada temprano en la población general utilizando análisis de sangre de rutina. Esta herramienta ayuda a priorizar a los pacientes para el cribado, reduciendo potencialmente las muertes por enfermedad hepática.
Área de la Ciencia:
- Hepatología
- La informática médica
- El aprendizaje automático en el cuidado de la salud
Sus antecedentes:
- Las enfermedades hepáticas, incluida la cirrosis, causan una mortalidad significativa en todo el mundo.
- Los métodos de diagnóstico actuales para la fibrosis hepática avanzada a menudo pasan por alto los casos en la población general.
- La detección temprana es crucial para mejorar los resultados de los pacientes y reducir la mortalidad.
Objetivo del estudio:
- Desarrollar y validar Fibro-Predict, un modelo de aprendizaje automático para la detección temprana de la fibrosis hepática avanzada.
- Utilizar los registros electrónicos de salud (EHR) en todo el país para el cribado de una población amplia.
- Mejorar la priorización de los pacientes para el diagnóstico y la intervención oportunos.
Principales métodos:
- Se construyó un marco de diagnóstico utilizando datos retrospectivos de EHR de más de 2,2 millones de observaciones.
- El modelo Fibro-Predict empleó árboles impulsados por gradiente (XGBoost) para predecir trayectorias de enfermedades a cinco años.
- La validación del modelo incluyó el análisis temporal y la validación prospectiva externa utilizando elastografía transitoria.
Principales resultados:
- Fibro-Predict logró un AUC a cinco años de 0,81 en el conjunto de entrenamiento y de 0,79 en el conjunto de validación.
- En la validación clínica, Fibro-Predict demostró una tasa de positivos verdaderos (TPR) del 36,8%, superando significativamente el rendimiento de FIB-4 (3,7%).
- El modelo se basa únicamente en análisis de sangre de rutina y datos demográficos para un cribado rentable.
Conclusiones:
- Fibro-Predict ofrece una herramienta valiosa y rentable para priorizar el cribado de la fibrosis hepática avanzada en la población general.
- El aprovechamiento de los datos de los registros médicos electrónicos permite una identificación más temprana y más amplia de los pacientes en riesgo.
- Este enfoque puede agilizar el seguimiento clínico, acelerar el diagnóstico y reducir la morbilidad y la mortalidad por enfermedad hepática.
