Un modelo de aprendizaje automático basado en indicadores clínicos, metabólicos e inflamatorios para predecir el...

Área de la Ciencia:

• Medicina Reproductiva; Inteligencia Artificial en la Atención Médica; Bioestadística

Sus antecedentes:

• El aborto espontáneo recurrente (AER) afecta al 1-5% de las parejas, a menudo con causas desconocidas.; La identificación de marcadores predictivos para el AER es crucial para un manejo eficaz.; Se sospecha que la inflamación subclínica y los factores metabólicos contribuyen al AER.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático interpretable para predecir el riesgo de AER.; Identificar los predictores clínicos, metabólicos e inflamatorios clave del AER.; Permitir la evaluación individualizada del riesgo de AER utilizando datos de rutina.

Principales métodos:

• Análisis retrospectivo de 523 mujeres (285 con AER, 238 controles).; Comparación de cinco algoritmos de aprendizaje automático, centrándose en el bosque aleatorio.; Se utilizó el análisis SHAP para determinar la importancia de las características.

Principales resultados:

• El modelo de bosque aleatorio logró un alto rendimiento predictivo (AUC = 0.85).; Los predictores clave identificados incluyen el grosor endometrial, el porcentaje de neutrófilos y el HOMA-β.; El modelo utiliza eficazmente datos clínicos fácilmente disponibles para la estimación del riesgo.

Conclusiones:

• El aprendizaje automático ofrece un enfoque prometedor para predecir el riesgo de AER.; La desregulación metabólica y la inflamación subclínica son factores importantes en la patogénesis del AER.; Este modelo interpretable facilita la evaluación de riesgos personalizada y las posibles estrategias de intervención temprana.