Video Experimental Relacionado
Updated: Sep 9, 2025
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Pruebas de laboratorio de rutina predicen la mortalidad en 72 horas en pacientes con niveles de D-dimero ≥ 2 μg/mL:
Shuma Hayashi1, Ryoko Hayashi1, Kayoko Nakamura2
1Division of General Medicine, Department of Comprehensive Medicine 1, Jichi Medical University, Saitama Medical Center, Saitama, Japan.
Los modelos de aprendizaje automático predicen con precisión la mortalidad en 72 horas en pacientes con niveles elevados de D-dimero utilizando pruebas de laboratorio de rutina. LightGBM demostró un rendimiento superior para la estratificación temprana del riesgo.
Área de la Ciencia:
- Diagnóstico clínico
- Análisis de datos biomédicos
- Modelado de pronósticos
Sus antecedentes:
- El D-dimer es un marcador de pronóstico, pero la predicción de la mortalidad a corto plazo en diversas afecciones está insuficientemente investigada.
- La información clínica limitada a menudo acompaña las mediciones de D-dimero.
Objetivo del estudio:
- Desarrollar y comparar modelos predictivos para la mortalidad a las 72 horas en pacientes con D-dimero ≥ 2 μg/mL.
- Utilización de variables de laboratorio de rutina para la estratificación del riesgo.
Principales métodos:
- Análisis retrospectivo de 5158 pacientes, con validación externa en 5550 pacientes.
- Comparación del análisis de regresión logística multivariada (MLRA) con cuatro modelos de aprendizaje automático (ML): Prediction One, LightGBM, XGBoost y CatBoost.
- Utilizó 40 pruebas de laboratorio de rutina, edad y sexo como predictores.
Principales resultados:
- La tasa de mortalidad a las 72 horas fue del 4,67%, con enfermedades intracraneales, tumores malignos y sepsis como las principales causas de muerte.
- El MLRA identificó la edad, la proteína total, el colesterol, la aspartato aminotransferasa y el D-dimero como predictores clave (AUC 0, 829).
- LightGBM logró el rendimiento más alto (AUC 0,987), superando significativamente a otros modelos ML y MLRA.
Conclusiones:
- Los modelos de aprendizaje automático, especialmente LightGBM, predicen efectivamente la mortalidad a corto plazo en pacientes con D-dimero elevado.
- Estos modelos permiten una estratificación oportuna del riesgo y la toma de decisiones utilizando datos de laboratorio fácilmente disponibles.
- Las pruebas de laboratorio de rutina pueden aprovecharse para la identificación temprana de pacientes de alto riesgo cuando los datos clínicos son escasos.
