El aprendizaje automático integrador y la aleatorización mendeliana identifican biomarcadores causales de laboratorio...

Área de la Ciencia:

• Cardiología Pediátrica
• La inteligencia artificial en la medicina
• La genética

Sus antecedentes:

• La enfermedad de Kawasaki (KD) presenta un riesgo significativo de lesiones de las arterias coronarias (CAL) en los niños.
• La identificación temprana de pacientes de alto riesgo es crucial para una intervención oportuna y mejores resultados.

Objetivo del estudio:

• Desarrollar y validar un modelo de inteligencia artificial (IA) para predecir el riesgo de EAC en pacientes con EAC.
• Identificar las características predictivas clave y sus asociaciones causales con las LCA.

Principales métodos:

• Utilizó modelos de aprendizaje automático (ML), incluido el clasificador de perceptores multicapa (MLPC), el bosque aleatorio (RF) y el árbol extra (ET), en datos de 506 pacientes con KD.
• Se realizó una validación temporal y un análisis de aleatorización mendeliana (MR) para evaluar el rendimiento del modelo y la causalidad genética.
• Se identificaron siete características predictivas para el desarrollo de modelos.

Principales resultados:

• MLPC demostró la mayor precisión entre los modelos ML validados.
• El tiempo de tromboplastina parcial activado (APTT, por sus siglas en inglés) y el ancho de distribución de glóbulos rojos (RDW, por sus siglas en inglés) se identificaron como factores causales asociados con la LCA.
• El modelo de IA, respaldado por la validación genética, ofrece una estratificación de riesgo confiable.

Conclusiones:

• Los modelos de predicción basados en IA, integrados con conocimientos genéticos de MR, proporcionan un método sólido para la evaluación temprana del riesgo de CAL en KD.
• Esta estrategia puede facilitar un tratamiento clínico rápido y potencialmente reducir la incidencia de complicaciones graves.