RINet: entrenamiento con datos sintéticos para la estimación indirecta de distribuciones de referencia clínicas

Área de la Ciencia:

• Química clínica y medicina de laboratorio
• Bioestadística y ciencia de datos
• Aprendizaje automático en la atención médica

Sus antecedentes:

• Los métodos indirectos estiman los intervalos de referencia clínicos (RI) utilizando el análisis estadístico de datos de pruebas de rutina.
• El aprendizaje supervisado muestra promesa, pero está limitado por las restricciones de los datos del mundo real.
• Los datos sintéticos ofrecen ventajas para el desarrollo y la evaluación comparativa de métodos indirectos de estimación de RI.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje profundo para la estimación indirecta de distribuciones de referencia (RD) e RI.
• Aprovechar los datos sintéticos para entrenar modelos capaces de manejar datos clínicos tanto univariados como bivariados.
• Comparar el rendimiento de estos modelos con algoritmos existentes de estimación indirecta de RI.

Principales métodos:

• Se entrenaron dos redes neuronales convolucionales (CNN) utilizando datos sintéticos: una para datos univariados y otra para datos bivariados.
• La CNN bivariada se diseñó para predecir la covarianza entre analitos clínicos.
• Se evaluó el rendimiento del modelo tanto en conjuntos de datos clínicos sintéticos como del mundo real, comparándolo con cuatro algoritmos alternativos.

Principales resultados:

• Las predicciones del modelo CNN coincidieron estrechamente con las RI y RD estimadas directamente en datos sintéticos y del mundo real.
• Los modelos superaron a GMM, refineR, reflimR y RINet_v1 en la estimación indirecta de RI.
• Las regiones de referencia multivariadas (MRR) predichas demostraron una cobertura mejorada de pacientes sanos y un tamaño de región reducido en comparación con las RI univariadas.

Conclusiones:

• El entrenamiento de modelos de aprendizaje profundo con datos sintéticos es una estrategia viable para la estimación indirecta precisa de RI.
• Este enfoque aborda eficazmente las limitaciones asociadas con los datos del mundo real y las RI univariadas tradicionales.
• Los modelos desarrollados ofrecen una solución basada en datos para la estimación precisa de RI en contextos tanto univariados como bivariados.