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

Qué problema aborda

Las enfermedades cardiovasculares (ECV) son una de las principales causas de mortalidad a nivel mundial, lo que representa una carga significativa para los sistemas de salud. La detección temprana y la evaluación precisa del riesgo de mortalidad son esenciales para intervenciones oportunas y mejores resultados en los pacientes. Sin embargo, muchos modelos predictivos existentes tienen limitaciones en su aplicabilidad clínica debido a su enfoque en tareas diagnósticas únicas, baja precisión y tendencia al sobreajuste.

Qué hicieron los autores

Los autores proponen el modelo QSAO-BP, que integra un optimizador de ablación de nieve basado en cuartiles (QSAO) con una red neuronal de retropropagación (BP). Este enfoque permite realizar diagnósticos de ECV y evaluaciones de riesgo de mortalidad simultáneamente. El QSAO mejora el optimizador SAO al incorporar caminatas aleatorias gaussianas y de Lévy, lo que ayuda a evitar la convergencia prematura y el atrapamiento en óptimos locales. Para validar el modelo, se estableció un marco de validación dual utilizando el Conjunto de Datos de Enfermedad Cardíaca de Cleveland y el Conjunto de Datos de Registros Clínicos de Insuficiencia Cardíaca.

Qué encontraron

El modelo QSAO-BP mostró un rendimiento superior en ambos conjuntos de datos, logrando una precisión de 0.873 en el primer conjunto y 0.854 en el segundo, lo que representa mejoras del 8.178% y 9.347% respecto al modelo SAO-BP, respectivamente. Además, el modelo alcanzó las mejores métricas en precisión, recuperación, puntuación F1 y MCC, manteniendo especificidad y valor predictivo negativo competitivos. Un análisis de SHAP reveló que los principales predictores identificados por QSAO-BP son coherentes con el conocimiento clínico establecido.

Limitaciones

El texto disponible no detalla las 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 realizar predicciones precisas y su interpretabilidad adecuada. Esto podría mejorar significativamente la eficacia de las intervenciones médicas y la atención al paciente en este campo crítico de la salud.