Aprendizaje automático para la predicción de riesgos de sitios en ensayos clínicos: desarrollo, validación externa y...

Área de la Ciencia:

• Informática de la Salud
• Aprendizaje Automático en Investigación Clínica
• Operaciones de Ensayos Clínicos

Sus antecedentes:

• La selección y calificación de sitios de ensayos clínicos son desafiantes, especialmente para enfermedades raras como la miocardiopatía amiloide por transtiretina (ATTR-CM).
• Los métodos actuales de evaluación de riesgos carecen de validación sistemática y los datos de ensayos clínicos se utilizan de forma insuficiente para la predicción proactiva de riesgos.
• Existe la necesidad de herramientas basadas en datos para optimizar las operaciones de ensayos clínicos y la gestión de sitios.

Objetivo del estudio:

• Desarrollar y validar una herramienta de soporte de decisiones clínicas basada en aprendizaje automático (ML) para predecir el riesgo de sitios en ensayos clínicos de ATTR-CM.
• Evaluar la generalización y aplicabilidad entre enfermedades de la herramienta utilizando datos de ensayos de distrofia muscular de Duchenne (DMD).
• Diseñar un flujo de trabajo operativo para integrar la herramienta de ML en los procesos existentes de Evaluación de Riesgos de Calificación de Sitios (SQRA).

Principales métodos:

• Análisis de 460 sitios de ensayos de ATTR-CM y 761 de DMD utilizando datos de ClinicalTrials.gov.
• Desarrollo de un sistema híbrido de puntuación de riesgos que combina el consenso de expertos y la optimización LASSO.
• Entrenamiento y validación de cuatro algoritmos de ML utilizando validación cruzada de 5 pliegues, validación temporal y validación externa en estudios de DMD.
• Utilización del análisis SHAP para la interpretabilidad del modelo y la identificación de predictores de riesgo clave.

Principales resultados:

• La herramienta de ML logró una precisión del 98,91 % en la predicción de riesgos de sitios de ATTR-CM y una precisión del 81,21 % en la validación externa con DMD.
• El análisis SHAP identificó la calidad de los datos, la tasa de pacientes no elegibles y el riesgo de inclusión como predictores significativos.
• La alta consistencia (ρ de Spearman = 0,905) en las clasificaciones de importancia de las características entre ATTR-CM y DMD demostró la generalización entre enfermedades.

Conclusiones:

• Se desarrolló y validó con éxito una herramienta basada en ML lista para operar para la predicción de riesgos de sitios de ensayos clínicos.
• La herramienta demostró alta precisión en ATTR-CM y generalización en diferentes enfermedades, lo que respalda su integración en los flujos de trabajo de SQRA.
• Si bien es prometedor, se necesita una validación adicional con resultados de monitoreo de referencia y la implementación operativa para confirmar los beneficios proyectados.