Detección de nefrolitiasis clínicamente significativa basada en parámetros clínicos y de orina de chequeos de salud...

Área de la Ciencia:

• Nefrología; Inteligencia Artificial; Diagnóstico Médico

Sus antecedentes:

• La nefrolitiasis afecta al 15% de la población, a menudo no detectada en personas asintomáticas.
• Los diagnósticos de imagen actuales son costosos, dependen del operador o implican radiación.
• Se necesita una estrategia de cribado práctica y de bajo costo para los cálculos renales.

Objetivo del estudio:

• Desarrollar un modelo de cribado rápido y de bajo costo para la nefrolitiasis clínicamente significativa.
• Utilizar el aprendizaje automático (ML) y parámetros clínicos sencillos para la detección temprana de cálculos renales.

Principales métodos:

• Estudio retrospectivo de 6528 adultos en 3 hospitales de Taiwán (2012-2021).
• Se entrenaron modelos de ML utilizando 10 variables de rutina que incluyen datos demográficos, historial médico y análisis de orina.
• Se evaluaron los modelos utilizando curvas ROC y PR; análisis de valor de Shapley para la interpretabilidad.

Principales resultados:

• El mejor modelo de ML logró un AUC de 0,968 y un AUPRC de 0,936.
• Demostró alta sensibilidad (87,3%) y especificidad (94,7%) para la detección de cálculos renales.
• Los predictores clave identificados fueron: recuento de glóbulos rojos en la orina, tasa de filtración glomerular estimada y gravedad específica de la orina.

Conclusiones:

• Se desarrolló un modelo de ML eficiente y no invasivo para el cribado de cálculos renales a gran escala utilizando datos de salud de rutina.
• El modelo se puede integrar en chequeos de salud y telemedicina para una gestión proactiva.
• Se recomienda una mayor validación en poblaciones diversas para la generalización.