Validación de un algoritmo basado en aprendizaje automático para predecir resultados adversos relacionados con la...

Área de la Ciencia:

• Obstetricia y Ginecología; Informática Médica; Investigación de Biomarcadores

Sus antecedentes:

• La preeclampsia es una complicación obstétrica importante.; Los modelos de aprendizaje automático (ML) que utilizan biomarcadores angiogénicos muestran potencial para predecir los resultados de la preeclampsia.; La utilidad clínica requiere el refinamiento de estos modelos de ML, particularmente la reducción de características.

Objetivo del estudio:

• Reducir el conjunto de características de los modelos de ML para predecir resultados asociados con la preeclampsia a un número clínicamente significativo.; Desarrollar y validar puntos finales predictivos para la preeclampsia utilizando un modelo de ML con características reducidas.

Principales métodos:

• Se desarrolló un modelo de ML con características reducidas utilizando una cohorte de entrenamiento (1634 pacientes, 2412 visitas).; El modelo se validó en una cohorte independiente (402 pacientes, 540 visitas).; Tres modelos predijeron resultados adversos generales, parto en los 14 días anteriores a las 34 semanas y parto en los 7 días posteriores a las 34 semanas, utilizando 13 características frente a 114.

Principales resultados:

• Los modelos con características reducidas mostraron una precisión comparable a los modelos originales.; Modelo para cualquier resultado adverso: AUROC de 0.92 (entrenamiento) y 0.89 (validación).; Los modelos para el momento del parto también demostraron un fuerte rendimiento predictivo en ambas cohortes.

Conclusiones:

• Un modelo de aprendizaje automático con un conjunto de características reducido predice con precisión los resultados clínicamente relevantes de la preeclampsia.; Los puntos finales predictivos identificados pueden respaldar la toma de decisiones clínicas.; Este enfoque puede ayudar a reducir la morbilidad y mortalidad materna y neonatal.