Modelo ligero interpretable de IA que utiliza múltiples parámetros sanguíneos para el diagnóstico de emergencia de...

Área de la Ciencia:

• Informática médica
• Hematología
• Aprendizaje automático

Sus antecedentes:

• El diagnóstico de apendicitis aguda es un desafío debido a los síntomas superpuestos con otras afecciones abdominales.
• El diagnóstico erróneo o el retraso en el diagnóstico de la apendicitis pueden provocar complicaciones.
• Existe la necesidad de herramientas de diagnóstico rápidas y precisas para la apendicitis aguda.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático interpretable para el diagnóstico de apendicitis aguda.
• Utilizar indicadores hematológicos de rutina para el desarrollo del modelo.
• Facilitar el diagnóstico oportuno y preciso de la apendicitis aguda.

Principales métodos:

• Análisis retrospectivo de 408 pacientes con dolor abdominal agudo.
• Aplicación de LASSO, ElasticNet y Random Forest para la selección de características.
• Desarrollo y evaluación de 11 clasificadores de aprendizaje automático en un conjunto de prueba independiente.

Principales resultados:

• El Support Vector Machine con kernel de función de base radial (SVM-RBF) logró un AUC de 0.903.
• Los predictores clave identificados fueron el porcentaje de neutrófilos (NE%), el porcentaje de eosinófilos (EO%), el recuento de glóbulos rojos (GR) y el recuento de glóbulos blancos (GB).
• Los análisis de interpretabilidad confirmaron EO%, GR y GB como los predictores más influyentes.

Conclusiones:

• Un modelo de aprendizaje automático parsimonioso e interpretable que utiliza indicadores sanguíneos de rutina puede ayudar en el diagnóstico de apendicitis aguda.
• El modelo ofrece potencial para un diagnóstico oportuno y preciso, particularmente en entornos con recursos limitados.
• Este enfoque proporciona información valiosa para la toma de decisiones clínicas en casos de apendicitis.