Predicción de necrosis pancreática infectada en pancreatitis aguda mediante modelos de aprendizaje automático y...

Área de la Ciencia:

• Informática Médica
• Aprendizaje Automático en Medicina
• Medicina de Cuidados Críticos

Sus antecedentes:

• La necrosis pancreática infectada (IPN) es una complicación grave de la pancreatitis aguda (PA), que presenta riesgos significativos de mortalidad.
• La predicción temprana y precisa de la IPN sigue siendo un desafío clínico crítico.
• Los métodos de predicción existentes a menudo carecen de interpretabilidad, lo que dificulta la confianza y la aplicación clínica.

Objetivo del estudio:

• Desarrollar y validar externamente modelos interpretables de aprendizaje automático para predecir el riesgo individualizado de IPN.
• Mejorar la estratificación temprana del riesgo para pacientes con pancreatitis aguda.
• Identificar predictores clínicos clave asociados con el desarrollo de IPN.

Principales métodos:

• Análisis retrospectivo de 728 pacientes con PA, con validación externa en 166 pacientes.
• Desarrollo de modelos interpretables de aprendizaje automático utilizando selección de características incrustada (algoritmos lineales regularizados y basados en árboles).
• Evaluación del rendimiento del modelo utilizando validación cruzada anidada, AUC, precisión-recall, puntuación de Brier y SHAP para la explicabilidad.

Principales resultados:

• El modelo Random Forest demostró un rendimiento superior con un AUC externo de 0.764.
• Los predictores clave de un mayor riesgo de IPN incluyeron Fibrinógeno, puntuación APACHE II, D-dímero, IL-6 y proteína C reactiva.
• Se identificaron un mayor recuento de linfocitos y hematocrito como factores protectores contra la IPN.

Conclusiones:

• Un modelo interpretable de Random Forest ofrece una discriminación y calibración sólidas para la predicción de IPN.
• El modelo proporciona un marco transparente y basado en datos para la estratificación temprana del riesgo de IPN en pacientes con PA.
• Se recomienda la validación prospectiva multicéntrica antes de la implementación clínica.