Desarrollo y Validación de un Modelo de Aprendizaje Automático Explicable para la Predicción de Colecistitis...

Área de la Ciencia:

• Informática Médica
• Oncología Quirúrgica
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• La colecistitis gangrenosa (CG) requiere diagnóstico y intervención quirúrgica rápidos.
• La estratificación precisa del riesgo preoperatorio para la CG es crucial para el manejo del paciente.
• Los métodos diagnósticos existentes pueden tener limitaciones en la detección temprana de la CG.

Objetivo del estudio:

• Desarrollar y validar externamente un modelo interpretable de aprendizaje automático (ML) para predecir la colecistitis gangrenosa (CG) preoperatoriamente.
• Utilizar datos clínicos multicéntricos para un desarrollo y validación robustos del modelo.
• Mejorar la transparencia de las decisiones del modelo de ML en la predicción de la CG.

Principales métodos:

• Análisis retrospectivo de 744 pacientes con colecistitis, divididos en cohortes de entrenamiento y prueba, con validación externa en 300 pacientes.
• Selección de características utilizando regresión LASSO y algoritmo Boruta a partir de 20 variables preoperatorias.
• Construcción y evaluación de seis modelos de ML utilizando análisis AUC, calibración y curva de decisión, con SHAP para la interpretabilidad.

Principales resultados:

• El modelo Random Forest (RF) logró un rendimiento superior: AUC de 0.893 (entrenamiento), 0.875 (prueba) y 0.818 (validación externa).
• Excelente calibración y beneficio clínico demostrados por el análisis de la curva de decisión.
• Los predictores clave identificados por el análisis SHAP incluyen engrosamiento de la pared de la vesícula biliar, proteína C reactiva, líquido pericolecístico, recuento de glóbulos blancos y piedra impactada.

Conclusiones:

• Un modelo de ML interpretable demuestra una buena discriminación y generalización para la estratificación del riesgo preoperatorio de CG en cohortes multicéntricas.
• El modelo integra características clínicas, de laboratorio e de imagen, ofreciendo explicabilidad para ayudar en la toma de decisiones perioperatorias.
• Se recomiendan más evaluaciones prospectivas multicéntricas antes de la adopción clínica rutinaria.