Video Experimental Relacionado
Updated: Feb 7, 2026

Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
Desarrollo y validación de un sistema de puntuación de alerta temprana basado en aprendizaje automático para la
Yangzong Suona1,2, Zhuoga Danzeng1,2, Luobu Gesang1,2,3,4
1High Altitude Medical Research Institute of Tibet Autonomous Region, Lhasa, China.
Un nuevo sistema de puntuación ayuda a identificar a personas con alto riesgo de policitemia de gran altitud (HAPC) utilizando factores de estilo de vida. Esta herramienta ayuda a los trabajadores de la salud en entornos de gran altitud con recursos limitados a implementar intervenciones tempranas.
Área de la Ciencia:
- Medicina de altitud
- Salud cardiovascular
- Aprendizaje automático en la atención médica
Sus antecedentes:
- La policitemia de gran altitud (HAPC) presenta riesgos para la salud de los residentes de gran altitud de por vida.
- Existe la necesidad de herramientas de estratificación de riesgos centradas en el estilo de vida para HAPC en esta población.
- Los métodos actuales de evaluación de riesgos pueden no abordar adecuadamente los factores de estilo de vida modificables relevantes para los habitantes de gran altitud.
Objetivo del estudio:
- Desarrollar y validar un novedoso sistema de puntuación predictiva de aprendizaje automático para HAPC.
- Utilizar variables de estilo de vida fácilmente modificables para la predicción del riesgo en poblaciones de gran altitud.
- Crear una herramienta para la identificación e intervención temprana de HAPC.
Principales métodos:
- Se estudió una cohorte de 1.089 personas que residen a gran altitud (≥ 4.500 m).
- Se analizaron 82 variables candidatas y se redujeron a siete predictores clave de estilo de vida utilizando LASSO.
- Se entrenaron y compararon modelos de regresión logística, XGBoost y random forest mediante validación cruzada de 10 veces.
Principales resultados:
- La regresión logística demostró el mejor rendimiento con un AUC de 0,848, una sensibilidad de 0,81 y una especificidad de 0,79.
- Los predictores independientes de HAPC incluyeron bajo SpO2 (< 83%), sexo masculino, edad ≥ 50 años, tabaquismo, hipertensión, mayor IMC y menor consumo de té.
- Estos factores contribuyen colectivamente a un modelo predictivo para el riesgo de HAPC.
Conclusiones:
- El sistema de puntuación desarrollado empodera a los trabajadores de la salud de primera línea en áreas remotas de gran altitud.
- Permite la identificación rápida de personas de alto riesgo para HAPC.
- La iniciación de intervenciones de estilo de vida de bajo costo puede frenar las enfermedades crónicas relacionadas con la altitud y mejorar la calidad de vida.
Videos de Conceptos Relacionados
Reliability and Validity
In Vitro Drug Release Testing: Overview, Development and Validation
Introduction to z Scores
z scores...
Introduction to z Scores
z scores...
z Scores and Area Under the Curve
Machines
A free-body diagram of the...

