Enfoque de aprendizaje automático que permite la identificación de alta precisión de la esteatohepatitis asociada a...

Área de la Ciencia:

• Hepatología y Gastroenterología
• Inteligencia Artificial en Medicina
• Descubrimiento de biomarcadores

Sus antecedentes:

• La esteatohepatitis asociada a disfunción metabólica (EHDM) presenta riesgos significativos de complicaciones hepáticas debido a la actividad y la fibrosis.
• Los métodos de diagnóstico actuales, como la medición de la rigidez hepática (LSM), tienen limitaciones de accesibilidad y rendimiento.
• Existe la necesidad de herramientas accesibles y no invasivas para identificar pacientes con EHDM en riesgo.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para identificar EHDM en riesgo sin depender de LSM.
• Crear una herramienta simple y fácil de usar para evaluar el riesgo de enfermedad hepática relacionada con MASH.
• Explorar la utilidad de los parámetros clínicos de rutina en la predicción de fibrosis e inflamación hepática significativas.

Principales métodos:

• Análisis de 884 pacientes con esteatohepatitis asociada a disfunción metabólica confirmada histológicamente.
• Entrenamiento y comparación de múltiples algoritmos de ML, incluidos random forest (RF), regresión logística (LR), gradient boosting (GB), support vector machine (SVM) y deep learning (DL).
• Utilización de variables como edad, sexo, IMC, parámetros hematológicos/bioquímicos y comorbilidades para el desarrollo del modelo.

Principales resultados:

• El modelo RF demostró un rendimiento superior en la predicción de EHDM en riesgo en la cohorte de validación (AUROC: 0.8405).
• El modelo RF, utilizando solo siete parámetros clínicos de rutina, superó a FIB-4 (AUROC: 0.7329) y LSM (AUROC: 0.7428).
• El modelo STEALTH-ARMS desarrollado se implementó como una aplicación en línea para la evaluación de riesgos individual.

Conclusiones:

• El modelo de ML basado en RF proporciona un método altamente preciso, no invasivo y rentable para identificar EHDM en riesgo.
• Este enfoque de ML ofrece una alternativa prometedora a los diagnósticos basados en LSM, especialmente en entornos con recursos limitados.
• El modelo STEALTH-ARMS facilita una aplicación clínica más amplia para la detección y el manejo tempranos de la EHDM.