Comparación de Modelos de Aprendizaje Automático Interpretables Utilizando el Índice de Inflamación Sistémica para...

Área de la Ciencia:

• Obstetricia y Ginecología
• Informática Médica
• Investigación de la Inflamación

Sus antecedentes:

• La diabetes mellitus gestacional (DMG) aumenta significativamente el riesgo de parto prematuro, lo que requiere la mejora de los modelos predictivos.
• Los métodos actuales de predicción de parto prematuro asociado a DMG tienen una precisión limitada debido a la exclusión de biomarcadores inflamatorios clave.
• El aprendizaje automático (ML) ofrece un reconocimiento avanzado de patrones, pero está infrautilizado para predecir el parto prematuro en embarazos con DMG.

Objetivo del estudio:

• Desarrollar un modelo de ML interpretable para predecir el parto prematuro en pacientes con DMG.
• Integrar índices de inflamación sistémica con marcadores clínicos tradicionales para mejorar la precisión predictiva.
• Permitir la estratificación temprana del riesgo en el diagnóstico de DMG para intervenciones clínicas oportunas.

Principales métodos:

• Análisis retrospectivo de 389 pacientes con DMG, divididas en cohortes de entrenamiento (n=272) y validación externa (n=117).
• Desarrollo y validación de modelos de ML utilizando índices de inflamación sistémica, indicadores clínicos y características combinadas.
• Aplicación de Shapley Additive Explanations (SHAP) para la interpretación de características y análisis de sensibilidad para la robustez.

Principales resultados:

• El estudio identificó siete predictores significativos, combinando marcadores de inflamación sistémica y parámetros clínicos.
• Un modelo de Extreme Gradient Boosting (XGBoost) demostró un rendimiento predictivo superior (AUC-ROC: 0.932, AUC-PRC: 0.754) en comparación con otros algoritmos.
• El análisis SHAP destacó dos marcadores clínicos y tres inflamatorios como los predictores más influyentes del parto prematuro.

Conclusiones:

• El modelo XGBoost desarrollado predice eficazmente el parto prematuro en la DMG al integrar marcadores clínicos e inflamatorios.
• Este enfoque permite una evaluación precisa del riesgo, guiando el manejo clínico y mejorando los resultados para embarazos de DMG de alto riesgo.