Modelos comparativos de aprendizaje automático para la predicción temprana del nacimiento prematuro a partir de...

Área de la Ciencia:

• Obstetricia y Ginecología.
• Informática biomédica La informática biomédica es un campo en el que se desarrollan
• Salud reproductiva y salud reproductiva.

Sus antecedentes:

• El parto prematuro (PTB) contribuye significativamente a la morbilidad y mortalidad neonatales.
• La inflamación y las alteraciones metabólicas están implicadas en la patología de la PTB.

Objetivo del estudio:

• Evaluar los marcadores inflamatorios y lipídicos séricos maternos como predictores de la TBP.
• Para comparar la eficacia de varios modelos de aprendizaje automático en la predicción de PTB.

Principales métodos:

• Se reclutaron mujeres embarazadas, categorizando a 186 en grupos de PTB y 140 en grupos de nacimientos a término.
• Empleó pruebas T para el análisis de variación de parámetros y las correlaciones de Pearson visualizadas a través de heatmap.
• Desarrolló y validó los modelos de bosques aleatorios, regresión logística, XGBoost y SVM utilizando la división 70/30 y la validación cruzada de 5 veces.

Principales resultados:

• CRP, IL-6, C3, IMC y lípidos mostraron correlación positiva con PTB; HDL mostró correlación inversa.
• La regresión logística multivariable identificó la edad, el IMC, IL-6, C3 y CRP como predictores independientes.
• Todos los modelos de aprendizaje automático demostraron una fuerte discriminación (test AUC ≥ 0.819), con la Regresión Logística logrando la mayor precisión (78.57%) y AUC (0.849).

Conclusiones:

• La inflamación materna y el IMC elevado son factores de riesgo significativos para la PTB.
• Un modelo de regresión logística que integra marcadores clínicos y séricos proporciona una evaluación efectiva del riesgo de PTB.
• Este modelo interpretable ayuda en la estratificación temprana del riesgo de PTB en entornos clínicos.