Investigadores de Mayo Clinic desarrollaron un modelo de aprendizaje automático para diferenciar a pacientes con colangitis aguda y hepatitis asociada con alcoholismo.
Un estudio presentado por Mayo Clinic mostró cómo un modelo de aprendizaje automático puede apoyar en la toma de decisiones médicas, ayudando a los especialistas a diferenciar hepatitis relacionada con alcohol (AH) y colangitis aguda (AC), utilizando variables simples de laboratorio.
A pesar de las diferencias de ambas condiciones, las similitudes clínicas pueden complicar el trabajo de los médicos debido los síntomas presentados. El estudio incluyó a 459 participantes adultos, que acudieron presencialmente a Mayo Clinic, Rochester, de los cuales 265 padecían AH y 194 AC.
“Este estudio fue motivado por ver a muchos proveedores médicos en el departamento de emergencias o UCI luchar para distinguir la colangitis aguda y la hepatitis asociada al alcohol, que son condiciones muy diferentes que pueden presentarse de manera similar”, explicó Joseph Ahn, gastroenterólogo de Mayo Clinic, Rochester.
El análisis tomó en cuenta diez variables de laboratorio: conteo de glóbulos blancos, hemoglobina, volumen corpuscular medio, conteo de plaquetas, aspartato aminotransferasa, alanina aminotransferasa, fosfatasa alcalina, bilirrubina total, bilirrubina directa y albúmina. Así como ocho modelos de aprendizaje automática como árbol de decisión, naive Bayes, regresión logística, redes neuronales artificiales, entre otras.
“Desarrollamos y entrenamos algoritmos de aprendizaje automático para distinguir las dos condiciones utilizando algunos de los valores de laboratorio disponibles de forma rutinaria que todos estos pacientes deberían tener”, explicó el Dr. Ahn.
De esta forma los modelos fueron entrenados con dichas variables de laboratorio. Los modelos de aprendizaje automático demostraron rendimientos precisos con 0.923 y área sobre la curva arriba de 0.986. Es decir, la validación obtuvo un 93% de precisión. Asimismo, cumplió con las validaciones externas y fue precisa utilizando otra base de datos de pacientes, sin embargo, el porcentaje de precisión disminuyó en tres puntos.
El estudio destacó el uso y el potencial clínico del uso de algoritmos entrenados de aprendizaje automático. De esta forma además de lograr mayor precisión para el diagnóstico de estas condiciones, los pacientes no tendrían que someterse a procedimientos invasivos, que pueden retrasar el diagnóstico.
Consulta el artículo completo aquí: https://secure.jbs.elsevierhealth.com/pb-assets/Health%20Advance/journals/jmcp/JMCP3718_proof.pdf
