Algoritmo de aprendizaje automático aplicado a trazados de monitorización de pH-impedancia identifica eructos...

Área de la Ciencia:

• Gastroenterología; Inteligencia artificial; Diagnóstico médico

Sus antecedentes:

• Los eructos supragástricos (SGB) son difíciles de detectar con el software actual y la revisión manual.
• La identificación precisa de los SGB es crucial para el diagnóstico y el manejo del paciente.

Objetivo del estudio:

• Determinar si el aprendizaje automático (ML) puede identificar con precisión los eventos de SGB.
• Evaluar la utilidad clínica de un algoritmo de ML para la detección de SGB.

Principales métodos:

• Se desarrolló una red neuronal convolucional (CNN) utilizando datos de pH-impedancia de pacientes con ERGE, pacientes con SGB excesivo y voluntarios sanos.
• La CNN se entrenó, validó y probó con eventos de SGB revisados manualmente, con eventos novedosos identificados por el algoritmo.

Principales resultados:

• El algoritmo de ML demostró una alta precisión en la segregación de pacientes con SGB de pacientes con ERGE y voluntarios sanos (AUC 0.859).
• La sensibilidad fue del 100% y la especificidad del 62,5% a un umbral óptimo de 11 eventos.
• El algoritmo identificó eventos de SGB únicos que pasaron desapercibidos durante la revisión manual, particularmente en la cohorte de SGB.

Conclusiones:

• Un algoritmo de ML de novo puede identificar con precisión los eventos de SGB.
• El enfoque de ML diferencia de manera confiable a los pacientes con SGB de los individuos sanos y de aquellos con ERGE.
• Esta tecnología tiene el potencial de mejorar el diagnóstico y el manejo de los SGB.