Video Experimental Relacionado
Updated: Feb 23, 2026
Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
Desarrollo y validación de un modelo de nomograma basado en el aprendizaje automático que integre la regresión LASSO
Lili Du1,2, Li Song3, Chao Gao4
1Department of Clinical Laboratory, Huangshi Central Hospital, Affiliated of Hubei Polytechnic University, Guilin North Road, No 16, Huangshi, Hubei, 435003, People's Republic of China.
Este estudio desarrolló un nomograma de aprendizaje automático para predecir el riesgo de sepsis en pacientes con abdomen agudo, identificando predictores clave como AKI y shock para la intervención temprana. El modelo muestra una alta precisión, ayudando a la toma de decisiones clínicas y mejorando los resultados de los pacientes.
Área de la Ciencia:
- Medicina de cuidados críticos Medicina de cuidados críticos.
- El aprendizaje automático en el cuidado de la salud.
- Modelado predictivo para la sepsis.
Sus antecedentes:
- La sepsis secundaria al abdomen agudo conduce significativamente la mortalidad.
- Los biomarcadores y sistemas de puntuación actuales tienen limitaciones para la predicción temprana de la sepsis.
- La intervención oportuna es crucial para mejorar los resultados de la sepsis.
Objetivo del estudio:
- Desarrollar y validar un nomograma basado en el aprendizaje automático para predecir el riesgo de sepsis en pacientes con abdomen agudo.
- Identificar factores de riesgo independientes para el desarrollo de sepsis en esta población de pacientes.
Principales métodos:
- Utilizó la regresión LASSO con diez veces la validación cruzada para seleccionar predictores a partir de datos clínicos y de laboratorio.
- Construyó un nomograma utilizando variables identificadas y validó su rendimiento utilizando AUC-ROC, prueba Hosmer-Lemeshow, DCA y CIC.
- Se dividió al azar a 383 pacientes en grupos de entrenamiento (70%) y validación (30%).
Principales resultados:
- Se identificaron seis predictores independientes: AKI, shock, TCO2, hipoalbuminemia, NLR elevado y linfocitopenia.
- El nomograma demostró una excelente discriminación (AUC 0.929 entrenamiento, 0.934 validación) y una fuerte calibración.
- El análisis de la curva de decisión (DCA) y la curva de impacto clínico (CIC) confirmaron una utilidad clínica significativa.
Conclusiones:
- Un nomograma validado predice eficazmente el riesgo de sepsis en pacientes con abdomen agudo.
- El fuerte rendimiento del modelo apoya su uso para la estratificación temprana del riesgo.
- Esta herramienta tiene el potencial de mejorar el apoyo a la decisión clínica para el manejo de la sepsis.
