Comparación de modelos de aprendizaje automático para predecir la mortalidad después de un infarto de miocardio: una...

Área de la Ciencia:

• Cardiología Cardiología.
• La informática médica es la informática médica.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• La predicción precisa de la mortalidad después del infarto de miocardio (IM) es crucial para el manejo del paciente.
• A menudo se utilizan modelos estadísticos convencionales, pero los métodos de aprendizaje automático (ML) son prometedores.

Objetivo del estudio:

• Evaluar y comparar sistemáticamente el rendimiento predictivo de varios modelos de ML para la mortalidad después de MI.
• Identificar los modelos de ML más confiables para predecir la mortalidad post-IM.

Principales métodos:

• Se realizó una búsqueda sistemática de la literatura en las principales bases de datos (Medline, Embase, Scopus, Web of Science).
• Se realizó un metanálisis utilizando un modelo de efectos aleatorios bivariados en 69 estudios elegibles.
• Se realizaron análisis de subgrupos y evaluaciones del riesgo de sesgo.

Principales resultados:

• Gradient Boosting Machines (GBM), Single Decision Tree y los modelos de Bosque Aleatorio demostraron altas precisiones predictivas.
• Los GBM avanzados, especialmente XGBoost, mostraron la mayor certeza (AUC = 0,90), precisión y sesgo de publicación mínimo.
• La incorporación de parámetros ecocardiográficos en GBM avanzados mejoró la sensibilidad y la especificidad.

Conclusiones:

• Los GBM avanzados, particularmente XGBoost, son los más confiables para predecir la mortalidad en pacientes con infarto de miocardio.
• La investigación futura debe centrarse en la validación externa, el informe transparente y las poblaciones de NSTEMI.