Desarrollo de un modelo de aprendizaje automático interpretable para predecir el riesgo de enfermedad renal crónica a...

Área de la Ciencia:

• Gerontología
• Nefrología
• Aprendizaje Automático en Salud

Sus antecedentes:

• La edad y la hipertensión son factores de riesgo importantes para la disminución de la función renal y el aumento de la mortalidad en adultos mayores.
• La predicción del riesgo de enfermedad renal crónica (ERC) es crucial para una intervención oportuna en esta población vulnerable.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático interpretable para predecir el riesgo de ERC a 4 años.
• Identificar los predictores clave de la ERC en pacientes hipertensos de edad avanzada.
• Crear una herramienta de predicción clínicamente aplicable para profesionales de la salud.

Principales métodos:

• Se utilizaron datos de 4.142 pacientes hipertensos del Health and Retirement Study (HRS) para el desarrollo y la validación.
• Se empleó un algoritmo LASSO-Boruta para la selección de características, identificando nueve predictores clínicos de rutina.
• Se construyeron y evaluaron ocho modelos de aprendizaje automático, seleccionando XGBoost por su rendimiento e interpretabilidad a través del análisis SHAP.

Principales resultados:

• XGBoost demostró un rendimiento superior en la validación temporal (AUC=0,702) y proporcionó un buen equilibrio entre sensibilidad y especificidad.
• El análisis SHAP identificó la edad como el principal predictor del riesgo de ERC.
• El modelo desarrollado mostró una concordancia estable entre los riesgos predichos y observados en los diferentes conjuntos de datos.

Conclusiones:

• Se desarrolló con éxito un modelo de aprendizaje automático interpretable para predecir el riesgo de ERC a 4 años en adultos mayores hipertensos.
• El modelo aprovecha los indicadores clínicos de rutina y demuestra aplicabilidad en poblaciones asiáticas y caucásicas.
• Esta herramienta puede ayudar en la detección temprana y el manejo de la ERC en personas en riesgo.