Regresión Logística Explicable para la Predicción del Riesgo de Enfermedades Cardíacas en Poblaciones Comunitarias y...

Área de la Ciencia:

• Cardiología
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• Las enfermedades cardíacas siguen siendo una de las principales causas de muerte a nivel mundial.
• La limitada interpretabilidad de los modelos complejos de aprendizaje automático dificulta su adopción clínica.
• La regresión logística ofrece transparencia, pero a menudo se percibe como menos precisa.

Objetivo del estudio:

• Desarrollar un modelo explicable de regresión logística (SHAP-LR) para la predicción del riesgo de enfermedades cardíacas.
• Evaluar el rendimiento de SHAP-LR frente a modelos de aprendizaje automático y la Puntuación de Riesgo de Framingham (FRS) en diversos conjuntos de datos.
• Evaluar el equilibrio entre el rendimiento predictivo y la interpretabilidad en la evaluación del riesgo de enfermedades cardíacas.

Principales métodos:

• Se desarrolló SHAP-LR utilizando el conjunto de datos del Sistema de Vigilancia de Factores de Riesgo Conductual (BRFSS).
• Se comparó SHAP-LR con modelos de aprendizaje automático en los conjuntos de datos de enfermedades cardíacas de la UCI y Statlog.
• Se validó SHAP-LR externamente en la base de datos de enfermedades cardíacas de la UCI y se comparó con FRS.

Principales resultados:

• SHAP-LR demostró un rendimiento comparable o superior a los modelos basados en árboles en todos los conjuntos de datos (AUROC ~0.73-0.80).
• SHAP-LR mostró una discriminación similar a FRS en una cohorte externa, con una calibración más favorable en una muestra de alta prevalencia.
• FRS superó a SHAP-LR en subgrupos específicos de alto riesgo (p. ej., diabetes, hipertensión).

Conclusiones:

• SHAP-LR proporciona un marco transparente e interpretable para la predicción del riesgo de enfermedades cardíacas prevalentes.
• Si bien SHAP-LR equilibra el rendimiento y la transparencia, FRS se destacó en ciertos grupos de alto riesgo.
• Las probabilidades brutas de SHAP-LR requieren recalibración para la estimación del riesgo absoluto, especialmente en poblaciones de baja prevalencia.