Modelos interpretables de aprendizaje automático para predecir arritmias ventriculares malignas en pacientes con...

Área de la Ciencia:

• Cardiología
• La informática médica
• Los biomarcadores

Sus antecedentes:

• La intervención coronaria percutánea (PCI) es crucial para el infarto de miocardio por elevación del segmento ST (STEMI), pero conlleva un riesgo de arritmias ventriculares malignas (AVM).
• Los índices de inflamación sistémica son biomarcadores potenciales para el riesgo de AVM, sin embargo, los modelos de predicción actuales a menudo descuidan estos marcadores y se basan en métodos tradicionales.
• Se necesitan modelos avanzados e interpretables para predecir el AVM hospitalario en pacientes con ITST después de la ICP.

Objetivo del estudio:

• Desarrollar un modelo interpretable de aprendizaje automático (ML) para predecir el riesgo de AVM en el hospital en pacientes con STEMI sometidos a PCI de emergencia.
• Utilizar los índices de inflamación sistémica y los indicadores clínicos tradicionales para mejorar la predicción del riesgo de AVM.
• Mejorar la toma de decisiones clínicas y facilitar la intervención temprana para la prevención de AVM.

Principales métodos:

• Análisis retrospectivo de 485 pacientes con STEMI, divididos en cohortes de entrenamiento y validación temporal.
• Desarrollo y validación de modelos de ML (bosque aleatorio, regresión logística, SVM, XGBoost) utilizando índices de inflamación sistémica, indicadores clínicos o una combinación de estos.
• Aplicación de los valores SHAP (Shapley Additive Explanations) para la importancia de las características y la interpretabilidad del modelo.

Principales resultados:

• 88 (18,1%) pacientes desarrollaron AVM. Nueve predictores, incluidos los índices de inflamación y los marcadores clínicos, se asociaron significativamente con el riesgo de AVM.
• El modelo Random Forest (RF) logró el mayor rendimiento predictivo (AUC: 0.925), superando a otros modelos ML y regresión logística.
• El análisis SHAP identificó dos índices de inflamación sistémica y tres marcadores clínicos tradicionales como predictores clave del AVM hospitalario.

Conclusiones:

• Un modelo de RF que integra índices de inflamación sistémica e indicadores clínicos predice efectivamente el AVM hospitalario en pacientes con ITST después de la ICP.
• Este método ML ofrece una precisión de estratificación del riesgo superior a la de los métodos tradicionales.
• El modelo facilita la intervención clínica temprana, reduciendo potencialmente la ocurrencia de AVM y mejorando los resultados de los pacientes.