Marco de aprendizaje automático temporal para la predicción de la trayectoria de curación de úlceras de pie diabético

Área de la Ciencia:

• Informática Biomédica
• Aprendizaje Automático en Atención Médica
• Manejo de Úlceras de Pie Diabético

Sus antecedentes:

• El manejo de las úlceras de pie diabético (UFP) es a menudo reactivo y se basa en el estado actual de la herida.
• La planificación proactiva del tratamiento podría mejorar significativamente las trayectorias de curación y los resultados de los pacientes.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático (ML) para predecir las transiciones de la fase de curación de las UFP.
• Permitir la planificación proactiva del tratamiento de las UFP utilizando metadatos clínicos recopilados de forma rutinaria.
• Integrar un sistema de recomendación para los ajustes del tratamiento.

Principales métodos:

• Se analizaron datos longitudinales de 268 pacientes con 329 UFP en 890 citas.
• Se diseñaron 103 características, incluidas mediciones temporales normalizadas por los intervalos entre citas.
• Se optimizó un clasificador Extra Trees utilizando ajuste bayesiano y selección de características para predecir las transiciones de curación (favorable, aceptable, desfavorable).

Principales resultados:

• Identificó 30 predictores esenciales, reduciendo la dimensionalidad en un 70,9%.
• Logró una precisión del 78% ± 4% con un AUC promedio de 0,90.
• El sistema de recomendación integrado mostró un acuerdo del 88,7% para las prescripciones de descarga y un rendimiento estratificado por cronicidad para los apósitos.

Conclusiones:

• El marco de ML muestra potencial para predecir la trayectoria de la UFP utilizando metadatos clínicos accesibles.
• El sistema puede guiar la planificación proactiva del tratamiento, distinguiendo las heridas para protocolos estandarizados de aquellas que necesitan experimentación iterativa.
• La validación prospectiva está pendiente para confirmar la utilidad clínica del marco.