Aplicación del aprendizaje automático en la construcción de un modelo de diagnóstico para la atresia biliar neonatal

Área de la Ciencia:

• Gastroenterología Pediátrica
• Informática Médica
• Medicina Neonatal

Sus antecedentes:

• El diagnóstico temprano de la atresia biliar (AB) es crucial para una intervención quirúrgica oportuna, como la operación de Kasai, lo que impacta significativamente el pronóstico del paciente.
• El desarrollo de herramientas de diagnóstico precisas para la AB en neonatos sigue siendo un desafío clínico.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático (ML) para el diagnóstico temprano de AB en neonatos.
• Identificar predictores clínicos y serológicos clave para la AB neonatal.

Principales métodos:

• Se entrenaron cinco modelos de ML (regresión logística, random forest, clasificador de máquina de vectores de soporte, perceptrón multicapa, extreme gradient boosting) con datos clínicos y de laboratorio de neonatos con ictericia patológica.
• Se utilizó un algoritmo de apilamiento de clasificadores (SC) para ensamblar los modelos de mejor rendimiento.
• Se incluyeron 85 neonatos (42 con AB) de enero de 2013 a diciembre de 2023.

Principales resultados:

• Los modelos XGBoost y Random Forest lograron un rendimiento diagnóstico perfecto (AUC = 1.000).
• El modelo SC de ensamblaje también demostró una excelente precisión diagnóstica (AUC = 1.000).
• Los predictores clave identificados fueron la gammaglutamil transpeptidasa (GGT) elevada, el aumento del recuento de plaquetas (PLT) y las heces acólicas.

Conclusiones:

• Los modelos de ML, en particular XGBoost y RF, muestran una alta precisión en el diagnóstico de AB en neonatos.
• La GGT elevada, el aumento del recuento de plaquetas y las heces acólicas son predictores significativos de AB.
• Este enfoque impulsado por ML es prometedor para la identificación e intervención tempranas de AB en el período neonatal.