Aprendizaje automático para predecir el diagnóstico de efusión pleural tuberculosa versus maligna: validación externa...

Área de la Ciencia:

• Pulmonología
• Enfermedades infecciosas
• Diagnóstico médico

Sus antecedentes:

• El diagnóstico de la tuberculosis pleural puede ser un reto.
• El aprendizaje automático (ML) ofrece un potencial para mejorar la precisión del diagnóstico.
• Los modelos anteriores de ML requieren validación externa en diversas poblaciones.

Objetivo del estudio:

• Validar externamente un modelo ML desarrollado previamente para predecir la tuberculosis pleural.
• Evaluar el rendimiento del modelo ML en la clasificación de efusiones tuberculosas, malignas y otras.
• Para comparar la precisión de diagnóstico del modelo ML con el análisis bayesiano.

Principales métodos:

• Se utilizaron dos cohortes: un conjunto de entrenamiento (n=273) y un conjunto de pruebas externas (n=360) de efusiones pleurales linfocíticas exudativas.
• Se analizaron las variables clínicas y bioquímicas (por ejemplo, ADA, LDH, recuento celular).
• Se desarrollaron clasificadores de ML binarios y de tres clases y se compararon con los métodos bayesianos.

Principales resultados:

• El mejor clasificador ML binario logró una sensibilidad del 88%, una especificidad del 98% y una precisión del 95%.
• El clasificador ML de tres clases también logró una precisión del 95%, identificando correctamente el 83% de los casos malignos.
• Los modelos de ML demostraron valores predictivos positivos superiores en comparación con el análisis bayesiano.

Conclusiones:

• El enfoque ML es una herramienta sólida para el diagnóstico de la tuberculosis pleural en efusiones linfocíticas exudativas.
• El modelo ML diferencia eficazmente los derrames pleurales malignos.
• La validación externa confirma el alto rendimiento y la precisión del modelo ML, superando el análisis bayesiano en este estudio.