Análisis basado en inteligencia artificial de patrones de flujo urinario en niños: una perspectiva de aprendizaje...

Área de la Ciencia:

• Urología pediátrica
• La informática médica
• Aprendizaje automático en medicina

Sus antecedentes:

• La Uroflowmetry (UF) es una prueba no invasiva clave para evaluar los síntomas pediátricos del tracto urinario inferior (LUTS).
• La interpretación experta de los patrones de vaciado de UF muestra una variabilidad significativa entre los observadores.
• El aprendizaje automático (ML) ofrece una solución potencial para estandarizar el análisis de UF.

Objetivo del estudio:

• Evaluar la precisión de los modelos ML en la interpretación de los patrones de vaciado de la urofluometría pediátrica.
• Para comparar el rendimiento de diferentes algoritmos ML para la clasificación de patrones de UF.

Principales métodos:

• Se analizaron 500 pruebas de urofluometría pediátrica de niños (4-17 años) con LUTS.
• Los patrones de vaciado fueron interpretados inicialmente por tres expertos en urología pediátrica, con el consenso alcanzado en las discrepancias.
• Cinco modelos ML (Árbol de decisión, Bosque aleatorio, CatBoost, XGBoost, LightGBM) fueron entrenados en el 80% de los datos y probados en el 20%.

Principales resultados:

• El acuerdo inicial de los expertos sobre los patrones de UF fue moderado (k de Fleiss = 0,608), con el 37,8% de las pruebas mostrando discrepancias.
• El modelo XGBoost logró la mayor precisión (85,00% ± 2,90%) en la clasificación de los patrones de vaciado.
• La precisión varía según el patrón, con patrones interrumpidos que muestran una alta precisión (95%-100%) y patrones de torre / meseta que muestran una menor precisión (61,54%-73,08%).

Conclusiones:

• Los modelos de ML demuestran una precisión aceptable en la interpretación de los patrones de flujo urinario pediátrico.
• La inteligencia artificial tiene potencial para estandarizar el análisis de patrones de vaciado de uroflowmetry en urología pediátrica.
• La investigación adicional puede conducir a herramientas de diagnóstico asistidas por IA para la evaluación de LUTS.