Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Mi-S2.2-ApAu: Aprendizaje automático y modelos predictivos Lugar: Aula 0.01 Presidente de la sesión: Juan Pablo Martínez Cortés Presidente de la sesión: Jesús Lázaro Plaza | |
    | |
15:00 - 15:15
Predicción de la presencia de daño articular en la hemofilia A moderada/leve mediante algoritmos de inteligencia artificial 1: Hospital General Universitario Dr. Balmis-ISABIAL, España; 2: Hospital Universitario Miguel Servet, Zaragoza, España; 3: Hospital Regional Universitario de Málaga-IBIMA, Málaga, España; 4: Hospital Universitario Son Espases, Palma de Mallorca, España; 5: Complejo Hospitalario de Jaén, Jaén, España; 6: Hospital Universitario de Guadalajara, Guadalajara, España; 7: Hospital Universitario Virgen de las Nieves, Granada, España; 8: Complejo Asistencial de Segovia, Segovia, España; 9: Hospital General de Valdepeñas, Valdepeñas, España; 10: Hospital Universitario Torrecárdenas, Almería, España; 11: Hospital Universitario de Burgos, Burgos, España; 12: Profesor Emérito, D. Medicina Clínica, U. Miguel Hernández, Alicante, España; 13: Dpt. I.E.E.A.C. Teoría de la Señal y Comunicaciones, E. Politécnica de Cuenca, Cuenca, España El HEAD-US es un protocolo ecográfico para evaluar el daño articular (DA) en hemofilia. Aunque más accesible que la resonancia magnética nuclear, requiere tiempo y experiencia, lo que limita su uso. En pacientes con hemofilia A moderada o leve (PcHAML), los sangrados articulares suelen ser subclínicos, dificultando la detección del DA. Este estudio evaluó la utilidad de la inteligencia artificial (IA) para predecir la presencia de DA en PcHAML a partir de datos clínicos rutinarios. Se incluyeron 84 pacientes, definiéndose presencia de DA como HEAD-US >0. Los predictores fueron edad, presencia o antecedente de articulación diana (AD), capacidad de generación de trombina (GT), FVIII coagulativo de una etapa (FVIII-COAG), cromogénico (FVIII-CROM) y la ratio FVIII-COAG/FVIII-CROM. Se entrenó un algoritmo Random Forest (RF) con imputación múltiple, normalización y sobremuestreo sintético, validado mediante 5 pliegues estratificados repetidos 100 veces, y comparado con Support Vector Machine, Decision Tree, Gaussian Naïve Bayes y k-Nearest Neighbors. En el conjunto de prueba, RF alcanzó 92,0 % de exactitud, 92,1 % de sensibilidad, 91,9 % de especificidad y AUC-ROC de 0,92, superando en 6,9–14,6 puntos a los demás modelos. El análisis del peso de las variables identificó como predictores principales: edad, AD, GT y la ratio FVIII-COAG/FVIII-CROM. En conclusión, RF permite predecir DA en PcHAML y priorizar la evaluación del HEAD-US en pacientes de mayor riesgo. Sin embargo, se precisa validación externa para confirmar su aplicabilidad clínica.
| |