Precisión diagnóstica del aprendizaje automático para la endometriosis: una revisión sistemática y un metaanálisis

Área de la Ciencia:

• Informática Médica
• Biología Computacional
• Ginecología

Sus antecedentes:

• El aprendizaje automático (ML) se explora cada vez más para el diagnóstico de la endometriosis.
• Sin embargo, la evidencia sistemática sobre la precisión diagnóstica del ML para la endometriosis es limitada.

Objetivo del estudio:

• Revisar sistemáticamente y evaluar el rendimiento diagnóstico de los modelos de aprendizaje automático para la endometriosis.
• Sintetizar la evidencia existente sobre la precisión del ML en la detección de la endometriosis.

Principales métodos:

• Se realizó una búsqueda sistemática exhaustiva en PubMed, Embase, Cochrane Library y Web of Science.
• Se incluyeron estudios que desarrollaron modelos de ML para el diagnóstico de la endometriosis, con datos extraídos y calidad evaluada por dos revisores independientes.
• Se utilizó la Herramienta de Evaluación del Riesgo de Sesgo de los Modelos de Predicción para evaluar el sesgo del estudio.

Principales resultados:

• Cuarenta y cinco publicaciones incluidas, con un número de participantes que oscila entre 39 y 612.777.
• El metaanálisis reveló un sólido rendimiento de los modelos de ML: el área bajo la curva (AUC) para las características clínicas alcanzó 0,810 (entrenamiento) y 0,796 (validación).
• Los modelos que utilizan información genética lograron AUC de 0,982 (entrenamiento) y 0,865 (validación), mientras que los modelos basados en imágenes mostraron AUC de 0,979 (entrenamiento) y 0,983 (validación).

Conclusiones:

• Los modelos de aprendizaje automático demuestran una precisión sustancial en el diagnóstico de la endometriosis.
• Los modelos que incorporan información genética y características de imagen muestran un rendimiento diagnóstico particularmente alto.
• Estos hallazgos respaldan el potencial del ML como una herramienta valiosa en el diagnóstico de la endometriosis.