Aprendizaje automático interpretable para la recuperación del ictus: Predicción de resultados funcionales al alta y a...

Área de la Ciencia:

• Neurología
• Ciencia de Datos
• Informática Médica

Sus antecedentes:

• El ictus es la principal causa de discapacidad a largo plazo a nivel mundial.
• Comprender los factores que influyen en la recuperación es crucial para el manejo eficaz del paciente.
• La escala de Rankin modificada (mRS) es una medida de resultado clave para los supervivientes de ictus.

Objetivo del estudio:

• Investigar los factores que influyen en las puntuaciones de la escala de Rankin modificada (mRS) post-ictus utilizando aprendizaje automático.
• Analizar la evolución de estos factores influyentes a lo largo del tiempo (alta frente a 3 meses post-alta).
• Interpretar la importancia de varios factores utilizando SHAP (Shapley Additive Explanations).

Principales métodos:

• Análisis de datos de 116 pacientes con ictus.
• Aplicación de cuatro modelos predictivos: Regresión Logística, Máquina de Vectores de Soporte, Random Forest y Extreme Gradient Boosting (XGB).
• Se utilizó SHAP para interpretar la importancia de los factores predictivos.

Principales resultados:

• El modelo XGB demostró un sólido rendimiento predictivo (AUC del 79 % al alta, del 87 % a los 3 meses).
• La Escala Nacional de Ictus de los Institutos de Salud (NIHSS) fue el factor más crítico al alta.
• El destino posterior al alta adquirió mayor importancia a los tres meses, junto con la edad, las métricas de tiempo, la trombólisis y la gestión de la salud a largo plazo.

Conclusiones:

• La recuperación del ictus es un proceso dinámico con factores influyentes en evolución.
• Las intervenciones clínicas tempranas son vitales, pero la gestión de la salud a largo plazo cobra importancia.
• Los hallazgos respaldan estrategias de rehabilitación personalizadas y decisiones de alta informadas basadas en las necesidades cambiantes de los pacientes.