El modelo de aprendizaje automático interpretable predice el riesgo de hernia inguinal de 1 año después de la...

Área de la Ciencia:

• Urología
• Oncología quirúrgica
• La inteligencia artificial en la medicina

Sus antecedentes:

• La hernia inguinal es una complicación poco reportada después de la prostatectomía radical asistida por robot (RARP).
• Existen herramientas predictivas limitadas para la hernia inguinal posterior a la RARP, que afectan la calidad de vida del paciente.
• Se necesitan modelos de predicción precisos para identificar a los pacientes de alto riesgo.

Objetivo del estudio:

• Desarrollar y validar el primer modelo de aprendizaje automático (ML) para predecir la hernia inguinal dentro de un año de RARP.
• Utilizar IA explicable (XAI) para la interpretabilidad clínica del modelo predictivo.
• Para identificar los predictores clínicos clave de la hernia inguinal después de la RARP.

Principales métodos:

• Análisis retrospectivo de 652 pacientes sometidos a RARP para el cáncer de próstata localizado.
• Desarrollo y evaluación de cinco algoritmos de aprendizaje automático utilizando un reparto entrenamiento-prueba de 70:30.
• Se utilizó la regresión LASSO para la selección de características y SHAP para la interpretabilidad del modelo.

Principales resultados:

• El modelo XGBoost logró un AUC de 0,833 (validación) y 0,791 (prueba) para predecir la hernia inguinal.
• Se identificaron los principales factores predictivos: edad, IMC, albúmina preoperatoria, etapa T y antecedentes de cirugía abdominal.
• El modelo proporciona información interpretable sobre los factores de riesgo de hernia.

Conclusiones:

• Se estableció el primer modelo predictivo basado en ML para la hernia inguinal posterior a la RARP.
• El modelo XGBoost demuestra un rendimiento robusto en la identificación de pacientes en riesgo.
• Se pueden ofrecer intervenciones personalizadas a las personas de alto riesgo identificadas por el modelo.