Investigadores de Tulane University realizan la evaluación y comparación de algoritmos de machine y deep learning para la predicción del riesgo de osteoporosis.
La osteoporosis, caracterizada por una baja densidad mineral ósea, es un problema de salud pública cada vez más serio. Aunque se han propuesto varios modelos de regresión tradicionales y algoritmos de machine learning para predecir el riesgo de osteoporosis, estos modelos han mostrado una precisión relativamente baja en la implementación clínica. En este estudio publicado en Frontiers in Artificial Intelligence, investigadores de la Tulane University evaluaron si los enfoques de deep learning, como las redes neuronales profundas (DNN, en inglés), pueden mejorar el rendimiento predictivo en la predicción del riesgo de osteoporosis.
Para este estudio, se utilizaron datos de baja densidad mineral ósea de la cadera y datos demográficos y clínicos de rutina de 8,134 sujetos mayores de 40 años del Estudio de Osteoporosis de Luisiana (LOS). Se desarrolló un marco novedoso de DNN para predecir el riesgo de osteoporosis y se comparó su rendimiento con cuatro modelos convencionales de machine learning, que incluyen bosques aleatorios, redes neuronales artificiales, k-nearest neighbor (KNN) y máquinas de vectores de soporte (SVM, en inglés) y con un modelo de regresión tradicional, herramienta de autoevaluación de osteoporosis (OST, en inglés).
El rendimiento del modelo se evaluó mediante el área bajo la curva de características operativas del receptor (AUC, en inglés) y la precisión. Los resultados mostraron que el enfoque DNN logró el mejor rendimiento predictivo (AUC = 0.848) en la clasificación de sujetos con osteoporosis y sin osteoporosis. El análisis de importancia de características reveló que las diez variables más importantes identificadas por el modelo DNN fueron peso, edad, género, fuerza de agarre, altura, consumo de cerveza, presión diastólica, consumo de alcohol, años de tabaquismo y nivel económico.
Además, fue realizado un análisis de submuestreo para evaluar los efectos de variar el tamaño de la muestra y el número de variables en el rendimiento predictivo de los modelos probados. Los autores también observaron que el modelo DNN mantuvo un alto rendimiento predictivo (AUC = 0.846) incluso utilizando solo las 10 variables más importantes. También se mantuvo un rendimiento elevado (AUC = 0.826) cuando el tamaño de la muestra se redujo al 50% del conjunto de datos original.
“Cuanto antes se detecte el riesgo de osteoporosis, más tiempo tendrá el paciente para tomar medidas preventivas”, afirmó el autor principal Chuan Qiu, profesor asistente de investigación en el Centro de Informática Biomédica y Genómica de la Facultad de Medicina de Tulane. “Nos complace ver que nuestro modelo DNN supera a otros modelos en la predicción precisa del riesgo de osteoporosis en una población que envejece, agregó.
De esta manera, los investigadores desarrollaron un modelo DNN novedoso que demostró ser un algoritmo efectivo para el diagnóstico temprano e intervención de la osteoporosis en la población envejecida. Este avance podría mejorar significativamente la precisión en la predicción del riesgo de osteoporosis y mejorar las estrategias de prevención y tratamiento de esta condición.
“Nuestro objetivo final es permitir que las personas ingresen su información y reciban puntajes de riesgo de osteoporosis altamente precisos para permitirles buscar tratamiento para fortalecer sus huesos y reducir cualquier daño adicional”, concluyó Qiu.
