Aplicación del aprendizaje automático en la predicción de trastornos neurocognitivos perioperatorios en pacientes...

Área de la Ciencia:

• Medicina para la edad avanzada
• Biología computacional
• Oncología quirúrgica

Sus antecedentes:

• Las características relacionadas con la sarcopenia están significativamente correlacionadas con el trastorno neurocognitivo perioperatorio (TNP) en pacientes quirúrgicos mayores.
• La identificación de individuos en riesgo es crucial para mejorar la estratificación del riesgo preoperatorio y la selección de pacientes.
• El aprendizaje automático (ML) ofrece un enfoque prometedor para predecir la ENP en este grupo demográfico.

Objetivo del estudio:

• Desarrollar y validar modelos de ML para predecir el riesgo de ENP en pacientes quirúrgicos mayores.
• Incorporar las características relacionadas con la sarcopenia en modelos predictivos.
• Identificar los predictores clave de la ENP utilizando una IA explicable.

Principales métodos:

• Se recogieron datos de 443 pacientes sometidos a cirugía no cardíaca.
• Se construyeron y compararon cinco modelos ML: SVM, XGBoost, GBM, AdaBoost y Random Forest.
• Utilizó las explicaciones aditivas de SHapley (SHAP) para interpretar el modelo de mejor rendimiento.

Principales resultados:

• El modelo AdaBoost demostró un rendimiento superior con un AUC de 0,95.
• Los predictores clave identificados por SHAP incluyen la velocidad de marcha de 6 metros, la puntuación MMSE, la fuerza de agarre, la masa muscular esquelética apendicular y la edad de evaluación de la sarcopenia.
• AdaBoost mostró un excelente rendimiento predictivo, alta interpretabilidad y confiabilidad.

Conclusiones:

• Los modelos de ML, particularmente AdaBoost con SHAP, muestran un potencial significativo para predecir la ENP en pacientes quirúrgicos mayores.
• La interpretabilidad del modelo con respecto a las características de la sarcopenia mejora su utilidad clínica para la evaluación del riesgo preoperatorio.
• Este enfoque puede mejorar la precisión en el manejo clínico y las decisiones de tratamiento para pacientes quirúrgicos mayores.