Desarrollo y validación de modelos interpretables de aprendizaje automático para predecir resultados funcionales a...

Área de la Ciencia:

• Neurociencia
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• La pronosticación en pacientes de edad avanzada con hemorragia subaracnoidea aneurismática (HSA) es un desafío debido a la alta morbilidad y mortalidad.
• La predicción precisa de los resultados funcionales a largo plazo es crucial para el manejo eficaz del paciente.

Objetivo del estudio:

• Desarrollar y validar externamente modelos interpretables de aprendizaje automático (AA) para predecir resultados funcionales a los 12 meses en pacientes de edad avanzada con HSA.
• Identificar los predictores clave de los resultados funcionales en esta población de pacientes.

Principales métodos:

• Desarrollo y validación de ocho modelos de AA utilizando datos de 426 pacientes de edad avanzada con HSA.
• Se utilizó la regresión logística y el algoritmo Boruta para la selección de características.
• Se evaluó el rendimiento del modelo utilizando curvas ROC/PR y gráficos de calibración; interpretabilidad a través del análisis SHAP.

Principales resultados:

• El modelo Multilayer Perceptron (MLP) logró un alto rendimiento (ROC-AUCs de 0.913 internos, 0.912 externos) con una calibración favorable.
• Los predictores clave identificados incluyen la escala Hunt-Hess, la edad, el volumen de sangrado, la isquemia cerebral retardada (ICR) y la escala de Fisher modificada.
• El análisis SHAP permitió la interpretación individualizada del riesgo.

Conclusiones:

• Se desarrollaron y validaron con éxito modelos interpretables de AA para predecir resultados funcionales a largo plazo en pacientes de edad avanzada con HSA.
• Los modelos demuestran generalización y potencial para la toma de decisiones clínicas personalizadas.
• Estas herramientas pueden optimizar la asignación de recursos en entornos de cuidados neurocríticos.