Modelo de aprendizaje automático explicable para clasificar placas carotídeas calcificadas causales en ictus embólico...

Área de la Ciencia:

• Neurología
• Medicina Cardiovascular
• Inteligencia Artificial

Sus antecedentes:

• El ictus embólico de origen indeterminado (ESUS) está relacionado con placas en las arterias carótidas, incluso con una estenosis <50%.
• La vulnerabilidad de la placa se ve influenciada por la hemorragia intraplaca (IPH), el núcleo necrótico rico en lípidos, el tejido adiposo perivascular (PVAT) y las calcificaciones.
• La evaluación tradicional de la placa carece de interpretabilidad, especialmente con los modelos de aprendizaje automático (ML).

Objetivo del estudio:

• Aplicar un enfoque de ML explicable utilizando explicaciones aditivas de Shapley (SHAP) para clasificar placas carotídeas causales frente a no causales.
• Identificar características clave de la placa y la calcificación predictivas de la causalidad del ictus.
• Mejorar la interpretabilidad clínica de los modelos de ML en la predicción de ictus.

Principales métodos:

• Análisis retrospectivo de pacientes con ESUS de circulación anterior unilateral y placas carotídeas calcificadas en angiografía por TC.
• Extracción de características a nivel de calcificación y placa, incluido el volumen de PVAT.
• Evaluación comparativa de ocho clasificadores de ML, con árbol de decisión de gradiente potenciado (CatBoost) ajustado y explicado mediante SHAP.

Principales resultados:

• Un modelo de ML que utiliza cinco características de placa/calcificación logró un ROC-AUC de 0,79, superando al grosor de la placa (0,59) y la presencia de IPH (0,51).
• El análisis SHAP identificó el grosor de la placa (>2,6 mm) y el volumen de PVAT (≥112 mm³) como las características más influyentes.
• El modelo demostró una precisión de clasificación superior para las placas carotídeas calcificadas causales.

Conclusiones:

• Los modelos de ML que incorporan características de placa no calcificada y calcificación ofrecen una mejor clasificación de las placas carotídeas causales en ESUS.
• El ML explicable (SHAP) proporciona información clínicamente interpretable y sugiere umbrales potenciales para la vulnerabilidad de la placa.
• Este enfoque mejora la comprensión de las características de la placa asociadas con el ictus embólico.