Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Modelo de aprendizaje profundo para la detección de las causas de la prolongación del tiempo de la tromboplastina parcial activada mediante el análisis de la forma de onda del coágulo en múltiples longitudes de onda

Masato Matsuda ^1,2, Daiki Shimomura ³, Takeshi Suzuki ⁴

⁰Medical Laboratory Division, Niigata University Medical and Dental Hospital, 1-754, Asahimachi-dori, Chuo-ku, Niigata, 951-8520, Japan.

Scientific Reports +

|

2 de septiembre de 2025

Ver abstracta en PubMed

Resumen

Los modelos de aprendizaje profundo que analizan las curvas de análisis de forma de coágulo (CWA) clasifican con precisión las causas de la prolongación del tiempo de tromboplastina parcial activado (APTT). Los datos CWA de múltiples longitudes de onda mejoraron significativamente el rendimiento de la clasificación, ofreciendo una herramienta de diagnóstico prometedora.

Área De La Ciencia

Hematología
Diagnóstico médico
La inteligencia artificial en la medicina

Sus Antecedentes

La prolongación del tiempo de tromboplastina parcial activado (APTT) requiere la diferenciación de causas como las deficiencias de factores, los anticoagulantes del lupus (LA) y el uso de anticoagulantes.
El análisis convencional de la forma de onda del coágulo (CWA) tiene una precisión moderada debido a la dependencia de la interpretación visual y los parámetros limitados.

Objetivo Del Estudio

Desarrollar un modelo de clasificación de alta precisión para las causas de prolongación de APTT utilizando el aprendizaje profundo (DL) en los datos de CWA.
Aprovechar la detección de múltiples longitudes de onda y DL para extraer características ocultas de las formas de onda del coágulo para mejorar la discriminación diagnóstica.

Principales Métodos

Modelos de DL basados en redes neuronales convolucionales aplicados a datos numéricos de curvas CWA de una y varias longitudes de onda.
Se formó y evaluó el modelo de DL en 683 muestras de pacientes con diversas causas de prolongación de la APTT utilizando una validación cruzada de 10 veces.

Principales Resultados

Los modelos de DL que utilizan curvas CWA de una sola longitud de onda lograron un alto rendimiento diagnóstico (AUC 0,943-0,988).
Las curvas de CWA de múltiples longitudes de onda mejoraron aún más el rendimiento (AUC 0,961-0,993), demostrando una alta sensibilidad (≥88,0%) y especificidad (> 92,0%).
Los parámetros convencionales de CWA mostraron una discriminación limitada (AUC de 0,532-0,858).

Conclusiones

Los modelos de aprendizaje profundo, particularmente aquellos que utilizan curvas de CWA de múltiples longitudes de onda, muestran una promesa significativa como herramientas de detección de alto rendimiento para clasificar la prolongación de APTT.
El desarrollo de estos modelos de DL puede aplicarse mejor en laboratorios individuales, teniendo en cuenta las posibles variaciones en los reactivos y analizadores.

Palabras clave:

Tiempo de tromboplastina parcial activado Los anticoagulantes Análisis de la forma de onda del coágulo Aprendizaje profundo La hemofilia Anticoagulante para el lupus

Videos de Conceptos Relacionados

Venous Thrombosis III: Interprofessional Care

Venous thrombosis requires effective prevention and treatment strategies to improve patient outcomes and reduce potential complications.Prevention StrategiesHealthcare providers must prioritize preventing venous thromboembolism (VTE) for all adult patients upon admission. Interventions depend on bleeding and thrombosis risk, medical history, current medications, diagnoses, planned procedures, and patient preferences. Patients on bed rest should change positions every two hours and, if not...