Predicción de la pancreatitis post-CPRE mediante aprendizaje automático: estratificación de riesgos y análisis de...

Área de la Ciencia:

• Gastroenterología
• Informática Médica
• Análisis Predictivo

Sus antecedentes:

• La pancreatitis post-colangiopancreatografía retrógrada endoscópica (CPRE) (PPC) sigue siendo impredecible a pesar de la comprensión de los factores de riesgo.
• El desarrollo de modelos predictivos para la PPC es crucial para la seguridad del paciente.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático (AA) para predecir el riesgo de PPC.
• Identificar los predictores clave de PPC en pacientes sometidos a CPRE.

Principales métodos:

• Se entrenaron algoritmos CatBoost y eXtreme Gradient Boosting con datos del registro prospectivo de CPRE (2022-2024).
• Se evaluó el rendimiento del modelo utilizando el área bajo la curva característica operativa del receptor (AUC) con validación cruzada de 10 veces.
• Se incluyeron pacientes con papila ingenua sometidos a CPRE.

Principales resultados:

• El modelo CatBoost, utilizando ocho características (edad, sexo, morfología de la papila, detalles de la cánula, bilirrubina, diámetro del colédoco, extracción de cálculos), logró un AUC del 68,8 %.
• El modelo demostró buena sensibilidad (70,4 %) y especificidad (67,2 %), con un valor predictivo negativo del 92,0 %.
• La incidencia de PPC varió significativamente entre los grupos de riesgo: 5,7 % (bajo), 21,0 % (intermedio) y 40,0 % (alto).

Conclusiones:

• El aprendizaje automático muestra una promesa significativa para predecir el riesgo de PPC.
• La investigación futura debe explorar datos multicéntricos, integración de datos multimodales, estratificación de la gravedad y aplicaciones en tiempo real.