Comprensión de las aplicaciones de aprendizaje automático en el trasplante de pulmón: una revisión narrativa

Área de la Ciencia:

• Investigación en trasplantes
• Informática médica
• Inteligencia artificial en medicina

Sus antecedentes:

• El trasplante de pulmón (LTx) es vital para la enfermedad pulmonar en etapa terminal, pero enfrenta desafíos como la escasez de donantes y la falla del injerto.
• El aprendizaje automático (ML) ofrece soluciones potenciales al analizar datos complejos para descubrir información y mejorar los resultados.

Objetivo del estudio:

• Revisar estudios de aprendizaje automático en trasplante de pulmón.
• Explicar las metodologías de ML y su aplicación en LTx.
• Destacar el potencial y los desafíos del ML para mejorar los resultados de LTx.

Principales métodos:

• Revisión de la literatura existente sobre aplicaciones de ML en LTx.
• Explicación de diversas técnicas de ML, incluidas máquinas de vectores de soporte, aprendizaje profundo, bosques aleatorios y aprendizaje por transferencia.
• Discusión del papel del ML en el análisis de datos multiómicos e imágenes.

Principales resultados:

• El ML muestra una gran promesa en la asignación de órganos y la predicción de resultados de LTx.
• Técnicas específicas de ML son efectivas para la estratificación de riesgos y la mejora de la interpretabilidad.
• El aprendizaje por transferencia ayuda al desarrollo de modelos en escenarios con datos limitados.
• El ML se utiliza cada vez más para diagnósticos multiómicos y de imagen.

Conclusiones:

• Las barreras para la adopción clínica incluyen conjuntos de datos pequeños, inconsistencia de datos, baja interpretabilidad y falta de validación.
• El progreso futuro depende de colaboraciones multicéntricas, métodos transparentes e integración del flujo de trabajo clínico.
• El ML debe aumentar, no reemplazar, el juicio clínico para mejorar los resultados de LTx.