Valor predictivo del aprendizaje automático para el riesgo de mortalidad en la disección aórtica: una revisión...

Área de la Ciencia:

• Medicina Cardiovascular
• Informática Médica
• Bioestadística

Sus antecedentes:

• La disección aórtica (DA) es una afección cardiovascular potencialmente mortal con alta mortalidad a corto plazo.
• Las herramientas de evaluación de riesgos existentes para la mortalidad por DA carecen de una validación integral.
• El aprendizaje automático (ML) ofrece potencial para mejorar la predicción de la mortalidad por DA.

Objetivo del estudio:

• Revisar sistemáticamente la fiabilidad y precisión de los modelos de ML en la predicción del riesgo de mortalidad en pacientes con disección aórtica.
• Evaluar el rendimiento de los modelos de ML utilizando métricas de sensibilidad y especificidad.

Principales métodos:

• Se realizó una búsqueda exhaustiva de la literatura en PubMed, Cochrane, Embase y Web of Science.
• Se utilizó la herramienta de evaluación del riesgo de sesgo de modelos de predicción (PROBAST) para evaluar la calidad del estudio.
• Se realizaron análisis de subgrupos basados en el tipo de DA y el momento de la mortalidad.

Principales resultados:

• Se analizaron 35 estudios que involucraron a 19.838 pacientes.
• Los modelos de ML lograron una sensibilidad agrupada de 0,75 y una especificidad de 0,77 en los conjuntos de datos de entrenamiento.
• Los conjuntos de validación mostraron un rendimiento mejorado (SEN: 0,79, SPE: 0,78), particularmente para la disección aórtica tipo A (DAA) y diferentes plazos de mortalidad.

Conclusiones:

• Los modelos de ML demuestran una precisión significativa en la predicción de la mortalidad por DA, superando a algunos sistemas de puntuación existentes.
• Se necesita más investigación con datos diversos y multicéntricos para una herramienta de predicción de riesgos universalmente aplicable.
• Los hallazgos pueden informar el desarrollo de estrategias personalizadas de prevención y tratamiento para la DA.