Los modelos de aprendizaje automático pueden informar de forma fiable a los médicos sobre la progresión de la discapacidad por esclerosis múltiple, según un nuevo estudio publicado esta semana en Open Access Journal. PLoS Salud Digital KU Leuven, por Edward de Brouwer y colegas, Bélgica.
La esclerosis múltiple (EM) es una enfermedad autoinmune crónica progresiva que causa una discapacidad grave con el tiempo a través de un patrón complejo de exacerbaciones, remisiones y recaídas. Su prevalencia global ha aumentado en más del 30% en la última década. Sin embargo, existen pocas herramientas que puedan predecir la progresión de la EM para ayudar a los médicos y pacientes a tomar decisiones de planificación de vida y tratamiento.
En el nuevo estudio, de Brouwer y sus colegas utilizaron datos de 15.240 adultos con al menos tres años de antecedentes de EM que estaban siendo tratados en 146 centros de EM en 40 países. Los datos de progresión de la enfermedad de cada paciente durante dos años se utilizaron para entrenar modelos sofisticados de aprendizaje automático para predecir la probabilidad de progresión de la enfermedad en los meses y años siguientes. Los modelos fueron entrenados y validados utilizando guías clínicas rigurosas, promoviendo la aplicabilidad de los modelos en la práctica clínica. Si bien los modelos individuales variaron en rendimiento en diferentes subgrupos de pacientes, el área promedio bajo la curva ROC (ROC-AUC) de los modelos fue de 0,71 ± 0,01. Los estudios muestran que el historial de desarrollo de la discapacidad predice más el desarrollo futuro de la discapacidad que el tratamiento o el historial de recaídas.
Los autores concluyeron que los modelos desarrollados en el estudio tienen el potencial de mejorar en gran medida la planificación para las personas con EM y podrían evaluarse en estudios de impacto clínico.
De Brouwer añadió: “Utilizando el historial médico de más de 15.000 personas con esclerosis múltiple, entrenamos un modelo de aprendizaje automático que predijo de forma fiable la probabilidad de progresión de la discapacidad en los próximos dos años. Debido a que el modelo utiliza sólo variables clínicas recopiladas de forma rutinaria, nuestro riguroso La evaluación comparativa y la validación externa ayudan a planificar la vida de los pacientes y optimizar las estrategias de tratamiento respaldan el gran potencial que tienen los modelos de aprendizaje automático”.
