Desarrollo de un modelo de aprendizaje automático para predecir la escala ampliada de estado de discapacidad en...

Área de la Ciencia:

• Neurología
• Inteligencia artificial
• Informática biomédica

Sus antecedentes:

• La evaluación precisa de la discapacidad en la esclerosis múltiple (EM) es vital para el tratamiento y el pronóstico.
• La Escala Ampliada de Estado de Discapacidad (EDSS) es una medida estándar, pero la predicción es un desafío debido a la heterogeneidad de la enfermedad.
• El aprendizaje automático (ML) ofrece un enfoque novedoso para predecir las puntuaciones EDSS utilizando datos de pacientes.

Objetivo del estudio:

• Evaluar la viabilidad de utilizar técnicas de ML para predecir las puntuaciones EDSS en pacientes con EM.
• Comparar el rendimiento de diferentes modelos de ML en la predicción de las puntuaciones EDSS.
• Identificar el modelo de ML más eficaz para mejorar la toma de decisiones clínicas en la EM.

Principales métodos:

• Se utilizó un conjunto de datos de 231 pacientes con EM con evaluaciones físicas, psicosociales y cognitivas en tres puntos de tiempo.
• Se realizó una selección de características basada en el análisis de saliency y correlación a partir de 126 características iniciales.
• Se entrenaron modelos XGBoost, Random Forest y Regresión Lineal y se ajustaron sus hiperparámetros, evaluando el rendimiento mediante MAE, MSE y R².

Principales resultados:

• El modelo de ML XGBoost logró el mayor rendimiento en la predicción de las puntuaciones EDSS en T2.
• XGBoost arrojó un MAE de 0.2361, MSE de 0.2408 y R² de 0.9705.
• Estos resultados demuestran la sólida capacidad predictiva del modelo XGBoost para las puntuaciones EDSS en este conjunto de datos.

Conclusiones:

• Las técnicas de ML son factibles para predecir las puntuaciones EDSS en pacientes con EM.
• Los modelos de ML desarrollados, en particular XGBoost, muestran un rendimiento prometedor.
• Estos modelos predictivos tienen el potencial de mejorar la toma de decisiones clínicas y el manejo de pacientes en la atención de la EM.