[Modelo predictivo basado en aprendizaje automático interpretable para evaluar el riesgo de cirugía abdominal y la...

Área de la Ciencia:

• Gastroenterología y Hepatología.
• La informática médica es la informática médica.
• La bioestadística es la bioestadística.

Sus antecedentes:

• Los pacientes con enfermedad de Crohn (EC) con baja actividad de la enfermedad (CDAI 0-1) aún enfrentan un riesgo significativo de cirugía abdominal.
• La predicción precisa del riesgo quirúrgico es crucial para optimizar las estrategias de tratamiento y los resultados del paciente.

Objetivo del estudio:

• Desarrollar y validar un modelo predictivo para estimar el riesgo de cirugía abdominal en pacientes con CD con CDAI 0-1.
• Identificar los predictores clave del riesgo quirúrgico y evaluar la utilidad y el rendimiento clínico del modelo.

Principales métodos:

• Inscripción retrospectiva de 615 pacientes con enfermedad de Crohn (2016-2022).
• Desarrollo y comparación de 9 modelos de supervivencia de aprendizaje automático, incluido CoxBoost, utilizando una división entrenamiento / validación (proporción 5: 5).
• Evaluación del modelo utilizando el índice C, las curvas de ROC dependientes del tiempo (AUC), las curvas de calibración, el análisis de la curva de decisión (DCA) y SHAP para la interpretabilidad.

Principales resultados:

• El modelo CoxBoost demostró un fuerte rendimiento predictivo (índice C = 0,746, AUC de validación que oscila entre 0,751 y 0,797).
• Se identificaron predictores clave: proteína C reactiva (CRP), albúmina (ALB), fibrinógeno (Fg) y clasificación del comportamiento B de Montreal.
• El modelo efectivamente estratificó a los pacientes en grupos de riesgo quirúrgico bajo, moderado y alto, con la terapia biológica reduciendo significativamente el riesgo en grupos de riesgo moderado a alto.

Conclusiones:

• El modelo CoxBoost predice con precisión el riesgo de cirugía abdominal en pacientes con CD con CDAI 0-1.
• El modelo apoya la toma de decisiones clínicas, particularmente para iniciar la terapia biológica en pacientes de alto riesgo.
• Esto facilita la planificación del tratamiento personalizado para una mejor gestión del paciente.