Predicción integral de resultados habilitada por aprendizaje automático para pacientes con enfermedad de las arterias...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Informática de la Salud

Sus antecedentes:

• La predicción precisa de los resultados de los pacientes es crucial para las decisiones de tratamiento en la enfermedad de las arterias coronarias (EAC).
• Los modelos anteriores de aprendizaje automático (ML) para la predicción de EAC estaban limitados por cohortes pequeñas, características restringidas y validación interna.
• Este estudio tuvo como objetivo desarrollar y validar externamente modelos de ML utilizando datos a gran escala y multicéntricos para pacientes con EAC obstructiva.

Objetivo del estudio:

• Desarrollar y validar externamente modelos de aprendizaje automático para predecir resultados a corto y largo plazo en pacientes con enfermedad obstructiva de las arterias coronarias (EAC).
• Evaluar el rendimiento de los modelos de ML tradicionales y un modelo de base tabular basado en transformadores (TabPFN).
• Evaluar la viabilidad de utilizar datos limitados pre-angiografía para la predicción en tiempo real.

Principales métodos:

• Se utilizó un gran conjunto de datos de más de 12.000 características de pacientes sometidos a angiografía coronaria (2009-2019) en tres hospitales de Alberta.
• Se empleó un marco de aprendizaje automático extenso, incluidos modelos tradicionales y el modelo TabPFN, para predecir la mortalidad por todas las causas y los eventos cardiovasculares adversos importantes (MACE) en múltiples puntos de tiempo (90 días a 5 años).
• Se realizaron análisis secundarios utilizando conjuntos de características reducidos de datos pre-angiografía comúnmente disponibles para evaluar la viabilidad de la predicción en tiempo real.

Principales resultados:

• Se incluyeron datos de 44.462 cateterismos (38.767 pacientes).
• La validación externa mostró áreas medianas bajo las curvas operativas del receptor (AUC) para los mejores modelos (principalmente TabPFNs) que oscilan entre 0,796-0,845 para la mortalidad y 0,694-0,755 para MACE.
• Un conjunto mínimo de características pre-angiografía logró un rendimiento predictivo ligeramente reducido pero aún razonable.

Conclusiones:

• El gran tamaño de la muestra, las características extensas, la validación externa y la arquitectura transformadora produjeron modelos personalizados con un rendimiento predictivo sólido.
• Los modelos desarrollados demuestran potencial para mejorar la toma de decisiones de tratamiento en EAC a través de un pronóstico preciso.
• La validación externa confirma la generalizabilidad y confiabilidad de los modelos predictivos para pacientes con EAC obstructiva.