Video Experimental Relacionado
Updated: Jan 20, 2026

Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
Desarrollo de una Calculadora de Riesgo de Fallo de Fontan Específica para el Paciente Utilizando Aprendizaje
Supreet P Marathe1, Kim S Betts2, Alyssia Venna3
1Queensland Children's Hospital, Brisbane, Australia; The University of Queensland, Brisbane, Australia; Queensland University of Technology, Brisbane, Australia.
Este estudio desarrolló una herramienta de aprendizaje automático para predecir el riesgo de fallo de Fontan en pacientes con ventrículo único antes de la cirugía. La calculadora utiliza seis predictores clave para personalizar el asesoramiento preoperatorio y mejorar los resultados del paciente.
Área de la Ciencia:
- Cardiología
- Informática Médica
- Cirugía Pediátrica
Sus antecedentes:
- La operación de Fontan es un procedimiento paliativo crítico para la fisiología de ventrículo único, que mejora significativamente la supervivencia y la calidad de vida.
- A pesar de su éxito, las complicaciones a largo plazo y el fallo de Fontan siguen siendo preocupaciones importantes para los pacientes.
- El desarrollo de herramientas precisas de predicción de riesgos es esencial para optimizar el manejo y los resultados del paciente.
Objetivo del estudio:
- Desarrollar una calculadora de riesgo preoperatorio específica para el paciente para el fallo de Fontan utilizando aprendizaje automático.
- Identificar los predictores clave del fallo de Fontan para mejorar la toma de decisiones clínicas.
- Proporcionar una herramienta para el asesoramiento preoperatorio personalizado y el establecimiento de expectativas realistas para el paciente.
Principales métodos:
- Se utilizaron datos del Registro de Fontan de Australia y Nueva Zelanda (ANZFR) que comprenden 1888 pacientes.
- Se empleó la regresión de Cox con regularización para la selección inicial de variables de 54 predictores preoperatorios.
- Se desarrolló un modelo final de regresión de Cox multivariable con seis predictores clave para una calculadora de riesgos simplificada e interpretable.
Principales resultados:
- El modelo final incluyó seis predictores: edad, morfología ventricular, diagnóstico primario, drenaje venoso pulmonar anómalo total, tipo de Fontan y regurgitación de la válvula auriculoventricular.
- La calculadora se construyó utilizando datos de 1473 pacientes después de exclusiones, con un seguimiento mediano de 11,0 años.
- La validación externa confirmó un rendimiento aceptable del modelo, lo que demuestra su utilidad en la predicción del fallo de Fontan.
Conclusiones:
- El aprendizaje automático aplicado a grandes datos de registro puede crear calculadoras efectivas de riesgo de fallo de Fontan preoperatorio.
- La herramienta desarrollada facilita la medicina personalizada al permitir la evaluación del riesgo preoperatorio específico del paciente.
- La capacidad de aprendizaje continuo del modelo con datos adicionales promete una mejora continua en la precisión de la predicción de riesgos.
Más Videos Relacionados
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
05:41A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
Published on: February 6, 2020
Videos de Conceptos Relacionados
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
05:41A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment