Utilización de redes ajustadas con datos previos y aprendizaje en contexto: un modelo de base tabular basado en...

Sus antecedentes:

• La hemorragia intracraneal sintomática (sICH) es una complicación grave después de la trombectomía endovascular (EVT) para el accidente cerebrovascular isquémico agudo.
• Los modelos de predicción de riesgos existentes para sICH tienen una precisión limitada.
• La predicción precisa de sICH es crucial para el manejo de pacientes con accidente cerebrovascular isquémico agudo sometidos a EVT.

Objetivo del estudio:

• Desarrollar y validar externamente un modelo basado en transformadores (TabPFN) para predecir sICH después de EVT.
• Comparar el rendimiento del modelo TabPFN con las puntuaciones de riesgo establecidas y otros modelos de aprendizaje automático.
• Evaluar la utilidad de TabPFN en la estratificación de riesgos en tiempo real para pacientes con accidentes cerebrovasculares.

Principales métodos:

• Análisis retrospectivo de 661 pacientes tratados con EVT para la derivación del modelo y 261 pacientes para la validación externa.
• Desarrollo de un modelo TabPFN basado en transformadores utilizando biomarcadores angiográficos, puntuación ASPECT, glucosa en sangre, estado de colaterales y pases de recuperador.
• Comparación con regresión logística, XGBoost y puntuaciones existentes (ASIAN, TAG, IER-sICH) utilizando AUC, precisión, recuperación y puntuación F1.

Principales resultados:

• El modelo TabPFN logró un alto rendimiento en la validación interna (AUC 0.948), comparable a XGBoost y la regresión logística.
• En la validación externa, TabPFN demostró una precisión predictiva superior con la AUC más alta (0.955), superando significativamente las puntuaciones existentes.
• TabPFN exhibió la mejor puntuación F1 y precisión en las cohortes de derivación y validación.

Conclusiones:

• El modelo TabPFN basado en transformadores predice con precisión el riesgo de sICH en pacientes sometidos a EVT para oclusión de grandes vasos de la circulación anterior.
• TabPFN permite una estratificación de riesgos eficaz en tiempo real para guiar la terapia antitrombótica y el manejo de la presión arterial después de la EVT.
• Este enfoque impulsado por IA tiene un potencial significativo para mejorar los resultados en pacientes con accidente cerebrovascular isquémico agudo.