Modelo de aprendizaje automático basado en factores metabólicos para la predicción de la mortalidad en la hepatitis E...

Área de la Ciencia:

• Hepatología Hepatología.
• Aprendizaje automático en medicina.
• Modelado Predictivo y Modelado Predictivo

Sus antecedentes:

• La infección por el virus de la hepatitis E (VHE) es una causa significativa de insuficiencia hepática con alta mortalidad.
• Los modelos predictivos existentes para el VHE carecen de factores metabólicos sistémicos integrales.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático para predecir la mortalidad en pacientes con VHE.
• Integrar los parámetros metabólicos sistémicos en un modelo predictivo para HEV.

Principales métodos:

• Análisis retrospectivo de 510 pacientes con VHE en cohortes de capacitación, validación interna y externa.
• Desarrollo de una puntuación de metabolismo utilizando máquinas de vectores de soporte (SVM) con parámetros metabólicos.
• Selección de las variables clínicas y la puntuación del metabolismo utilizando la regresión LASSO.
• Construcción y evaluación de cinco modelos de aprendizaje automático para la predicción de mortalidad a 28 y 90 días.

Principales resultados:

• El modelo de Regresión Logística (LR) demostró un rendimiento superior en la predicción de la mortalidad a los 28 y 90 días en todas las cohortes (AUROCs que van desde 0,84 a 0,98).
• El modelo LR superó la puntuación MELD en precisión predictiva.
• El modelo LR desarrollado mostró una buena calibración, beneficios clínicos netos significativos y se visualizó utilizando un nomograma.

Conclusiones:

• El modelo LR que incorpora factores metabólicos sistémicos proporciona una predicción precisa de la mortalidad a corto plazo en pacientes con VHE.
• Este modelo puede potencialmente mejorar la estratificación temprana del riesgo y guiar estrategias de tratamiento personalizadas para la infección por HEV.