Video Experimental Relacionado
Updated: Sep 9, 2025
Leveraging Turbidity and Thromboelastography for Complementary Clot Characterization
Published on: June 4, 2020
Modelo de aprendizaje profundo para la detección de las causas de la prolongación del tiempo de la tromboplastina
Masato Matsuda1,2, Daiki Shimomura3, Takeshi Suzuki4
1Medical Laboratory Division, Niigata University Medical and Dental Hospital, 1-754, Asahimachi-dori, Chuo-ku, Niigata, 951-8520, Japan.
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.
