Predicción de enfermedades cardiovasculares y evaluación del riesgo de mortalidad utilizando una red neuronal BP optimizada por QSAO

Qué problema aborda

La enfermedad cardiovascular (CVD) es una de las principales causas de mortalidad a nivel mundial, lo que genera una carga significativa en los sistemas de salud. La detección temprana y la evaluación precisa del riesgo de mortalidad son esenciales para intervenciones oportunas y mejores resultados para los pacientes. Sin embargo, los modelos predictivos existentes a menudo presentan limitaciones en su aplicabilidad clínica, ya que suelen enfocarse en tareas diagnósticas individuales y pueden sufrir de sobreajuste.

Qué hicieron los autores

Los autores del estudio proponen el modelo QSAO-BP, que integra un optimizador basado en cuartiles (QSAO) con una red neuronal de retropropagación (BP) para realizar diagnósticos simultáneos de CVD y evaluaciones de riesgo de mortalidad. El QSAO mejora el optimizador SAO al incorporar estrategias de caminatas aleatorias gaussianas y de Lévy, lo que ayuda a evitar la convergencia prematura y el estancamiento en óptimos locales. Se establece un marco de validación dual utilizando dos conjuntos de datos: el Cleveland Heart Disease Dataset y el Heart Failure Clinical Records Dataset.

Qué encontraron

El modelo QSAO-BP mostró un rendimiento superior en ambas bases de datos, logrando una precisión del 87.3% en el primer conjunto de datos y del 85.4% en el segundo, lo que representa mejoras del 8.178% y 9.347% en comparación con el modelo SAO-BP, respectivamente. Además, el modelo alcanzó los niveles más altos en precisión, recuperación, puntuación F1 y coeficiente de Matthews, manteniendo una especificidad y un valor predictivo negativo competitivos. El análisis SHAP confirmó que los principales predictores identificados por QSAO-BP son coherentes con el conocimiento clínico establecido.

Limitaciones

El texto disponible no detalla limitaciones específicas del estudio.

Lectura final

El modelo QSAO-BP se presenta como una herramienta prometedora para la toma de decisiones clínicas en el ámbito de las enfermedades cardiovasculares, gracias a su capacidad para ofrecer predicciones robustas y precisas en múltiples tareas clínicas. Este avance podría contribuir a mejorar la atención y los resultados en pacientes con enfermedades cardiovasculares.