– Los algoritmos de aprendizaje automático (ML) pueden predecir con precisión eventos adversos graves en las extremidades (MALE) en un año o la muerte después de una intervención endovascular por enfermedad arterial periférica (EAP), según un estudiar publicado recientemente en Red JAMA abierta.
El equipo de investigación indicó que las intervenciones endovasculares para la EAP pueden conllevar riesgos perioperatorios importantes, pero las herramientas actuales de predicción de resultados son limitadas.
Para abordar esto, los investigadores recurrieron a ML.
Los datos de 235.677 pacientes que se sometieron a una intervención endovascular por EAP entre el 1 de enero de 2004 y el 5 de julio de 2023, con 1 año de seguimiento, se extrajeron de la Vascular Quality Initiative (VQI) para su análisis.
Se excluyeron del estudio los pacientes tratados por traumatismo, isquemia aguda de extremidades, enfermedad aneurismática de extremidades inferiores, disección o neoplasia maligna, y aquellos con tipo de procedimiento o estado de síntomas no informados, o sometidos a derivación quirúrgica concurrente.
Luego, los datos se dividieron en un conjunto de entrenamiento que contenía el 70 por ciento de los participantes y un conjunto de prueba con el 30 por ciento restante de la cohorte.
Estos datos se utilizaron para identificar características predictivas relevantes: 75 características preoperatorias, 24 intraoperatorias y 13 posoperatorias, para un total de 112.
Las características preoperatorias incluyeron características previas al procedimiento (demografía, procedimientos previos, comorbilidades, estado funcional, medicamentos, anatomía y otras), mientras que las características intraoperatorias consistieron en características del procedimiento y los factores posoperatorios se relacionaron con el curso hospitalario y las complicaciones de los pacientes.
Luego, el equipo de investigación utilizó las características preoperatorias identificadas y una validación cruzada de 10 veces para entrenar seis modelos de ML para pronosticar el MALE de un año, caracterizado como una combinación de trombectomía o trombólisis, reintervención quirúrgica o amputación mayor, o la muerte.
El rendimiento de cada algoritmo se evaluó en términos de área bajo la curva característica operativa del receptor (AUROC). Tras la selección del modelo preoperatorio de mejor rendimiento, los investigadores crearon algoritmos adicionales utilizando datos intraoperatorios y posoperatorios.
De la cohorte de pacientes original, 71.683 participantes desarrollaron VARÓN al año o fallecieron.
El mejor modelo de predicción preoperatoria fue el aumento de gradiente extremo (XGBoost), logrando un AUROC de 0,94, una precisión de 0,86, una sensibilidad de 0,87, una especificidad de 0,85, un valor predictivo positivo de 0,85 y un valor predictivo negativo de 0,87.
El modelo XGBoost también mantuvo un alto rendimiento utilizando datos intraoperatorios y posoperatorios, con AUROC de 0,94 y 0,98, respectivamente.
Estos resultados sugieren que las herramientas de aprendizaje automático pueden pronosticar con precisión los resultados al año después de una intervención endovascular para la EAP, lo que indica que pueden tener el potencial de guiar estrategias de mitigación de riesgos perioperatorios y mejorar los resultados de los pacientes.
Esta investigación se produce mientras las partes interesadas continúan debatiendo el papel de la inteligencia artificial (IA) y el ML en la atención cardiovascular.
En febrero, la Asociación Estadounidense del Corazón (AHA) publicó una declaración que detalla el estado actual del uso de la IA en el diagnóstico y tratamiento de enfermedades cardiovasculares.
El informe describe las posibles aplicaciones, desafíos, limitaciones de estas tecnologías y cómo se puede implementar la IA de manera segura y efectiva.
La declaración subrayó que estas herramientas tienen un potencial significativo para casos de uso como imágenes médicas, pero que existen múltiples obstáculos, como preocupaciones legales y éticas, la falta de protocolos para la obtención e intercambio de información adecuada, la ausencia de vías regulatorias sólidas y la necesidad de hacer crecer el conocimiento científico. base de conocimientos sobre estas tecnologías – limitar su adopción.