Reproducción de modelos de predicción clínica del mundo real utilizando la plataforma DIVE: un estudio de validación...

Área de la Ciencia:

• Informática de la Salud
• Bioestadística
• Aprendizaje automático en la atención médica

Sus antecedentes:

• La generación de evidencia del mundo real (RWE) a partir de datos clínicos es crucial para la obtención de información sobre la atención médica.
• Los métodos analíticos existentes pueden ser complejos y consumir mucho tiempo.
• Está creciendo la necesidad de plataformas de análisis de RWE reproducibles y escalables.

Objetivo del estudio:

• Evaluar el rendimiento y la reproducibilidad del Data Insight Validation Engine (DIVE) basado en Python.
• Evaluar la capacidad de DIVE para generar RWE replicando tres estudios clínicos publicados.
• Comparar los resultados de DIVE con entornos estadísticos convencionales.

Principales métodos:

• Se utilizó DIVE para replicar estudios sobre enfermedad renal crónica (ERC), enfermedad pulmonar obstructiva crónica (EPOC) y predicción de asma grave.
• Se emplearon modelos de regresión basados en Generalized Additive 2 Model (GA2M) y Cox, basados en aprendizaje automático (ML).
• Se analizaron datos de más de un millón de pacientes en atención primaria italiana, incluida la validación temporal externa.

Principales resultados:

• DIVE demostró una alta fidelidad en la replicación de hallazgos publicados en los tres estudios.
• Modelo ERC: AUC 89,2 % (DIVE) frente a 89,3 % (original).
• Modelo EPOC: AUC 65,5 % frente a 66 %.
• Modelo de asma grave: AUC 71,9 % frente a 72,5 %.

Conclusiones:

• DIVE es una solución confiable, escalable e interoperable para el análisis de RWE.
• La plataforma muestra equivalencia con los métodos analíticos tradicionales, lo que respalda la reproducibilidad de los datos.
• El desarrollo futuro podría mejorar la utilidad de DIVE a través de análisis federados y una mayor interoperabilidad.