Redes de Kolmogorov-Arnold para predecir el espesor de la íntima-media carótida en la evaluación del riesgo...

Área de la Ciencia:

• Medicina cardiovascular
• Inteligencia artificial en el cuidado de la salud
• Informática biomédica

Sus antecedentes:

• El espesor carotídeo íntimo-medio (CIMT) es un marcador no invasivo validado para la aterosclerosis asintomática.
• La predicción temprana del riesgo de enfermedad cardiovascular (ECV) es crucial para una intervención oportuna.
• Los modelos de estratificación de riesgos existentes pueden beneficiarse de enfoques avanzados de aprendizaje automático.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para clasificar a los pacientes en cuatro niveles de riesgo cardiovascular definidos por el CIMT.
• Evaluar el rendimiento de una red Kolmogorov-Arnold (KAN) con respecto a los algoritmos convencionales para la predicción del riesgo de ECV.
• Evaluar la utilidad de las variables clínicas, bioquímicas y demográficas recolectadas rutinariamente para predecir el riesgo cardiovascular.

Principales métodos:

• Se utilizó un conjunto de datos seleccionado de 100 pacientes adultos con 13 variables predictivas.
• Una línea de procesamiento previo de datos en cinco etapas incluía imputación, codificación, escalado, eliminación de valores atípicos y equilibrio (SMOTE-NC).
• Una red Kolmogorov-Arnold (KAN) con activación de ELU y salida Softmax fue entrenada y comparada con seis modelos tradicionales de aprendizaje automático utilizando cinco veces la validación cruzada.

Principales resultados:

• El modelo KAN logró métricas de alto rendimiento: 93% de precisión, 93% de recuerdo, 91% de puntuación F1 y un ROC-AUC de 0,97.
• El modelo KAN superó a todos los algoritmos de referencia en un 8-19% en varios indicadores de rendimiento.
• Se emplearon técnicas de selección de características para mejorar la interpretabilidad del modelo y reducir la redundancia de predictores.

Conclusiones:

• La red Kolmogorov-Arnold (KAN) demuestra una capacidad superior para capturar relaciones complejas para tareas de clasificación de varias clases.
• KAN muestra un potencial significativo como una herramienta efectiva y de bajo costo para la estratificación temprana del riesgo cardiovascular.
• Este enfoque impulsado por la IA mejora la predicción de la jerarquía de riesgo cardiovascular basada en la CIMT y los datos asociados de los pacientes.