Aprendizaje de Máquinas Previene Riesgo Psicológico en Salud

El aprendizaje automático ofrece nuevas posibilidades no sólo en el diagnóstico de enfermedades en la investigación sanitaria, sino también en la evaluación de las condiciones psicológicas de los pacientes. El modelo de inteligencia artificial desarrollado en una nueva investigación realizada en China se utilizó para determinar el riesgo de problemas psicológicos en pacientes de rinosinüzit crónicos. Los resultados muestran que los pacientes de sistemas de aprendizaje automático que se benefician de datos clínicos rutinarios pueden contribuir a su situación física y psicológica.

1o de septiembre de 2026 Annals of Allergy, Asthma & Immunology Publicado en la revista Investigación sobre la predicción del riesgo de problemas psicológicos en pacientes rinosinüzit crónicos con aprendizaje automáticocompara el rendimiento de nueve algoritmos diferentes. CatBoost también se examinan variables clínicas, que son eficaces en las predicciones con el análisis SHAP mientras conducen como el modelo más exitoso del estudio.

Tensión Psicológica en Pacientes Rinosinales Crónicos

La rinocinucitis crónica es una enfermedad caracterizada por inflamación que continúa al menos 12 semanas en la cavidad nasal y los senos paranasales. Los síntomas como congestión nasal, pérdida de olores, sensación de presión en el área de la cara y problemas de sueño pueden afectar negativamente la vida cotidiana y la calidad de vida.

Los efectos de la enfermedad no se limitan sólo con síntomas físicos. Los síntomas continuos a largo plazo pueden crear una carga importante en las condiciones psicológicas de los pacientes. Los investigadores creen que la detección temprana de angustia psicológica asociada a ansiedad y depresión en pacientes crónicos de rinotinasa puede apoyar evaluaciones clínicas.

469 Datos del paciente usados en investigación

Un total de 469 pacientes adultos de rinosinexit crónico fueron incluidos en la investigación muy basada. Para mejorar el modelo, se planeó la cirugía endoscópica de seno antes de la cirugía de los 408 pacientes. Se evaluó un grupo independiente compuesto por 61 pacientes en el proceso de verificación externa del modelo.

Hospital Ansiedad y Escala de Depresión (HADS) se utilizaron para determinar problemas psicológicos. En el 42,9% de los pacientes del grupo de desarrollo, se detectaron problemas psicológicos en el 37,7% de los pacientes del grupo de verificación externa.

Estos hallazgos revelan la importancia de tener en cuenta la condición psicológica en la evaluación de los pacientes de rinotinitis crónica.

Nine Machine Learning Model Comparisoned

Los investigadores compararon nueve algoritmos de aprendizaje automático diferentes para predecir el riesgo de problemas psicológicos a través de datos clínicos. El rendimiento de los modelos se evaluó no sólo a través del éxito de la distinción, sino también en términos de contribución que pueden proporcionar calibración y soporte de decisiones clínicas.

CatBoost, Random Forest, Support Vector Machine (SVM), Multilayer Perceptron (MLP), Decision Tree, LightGBM, XGBoost, AdaBoost y algoritmos de regresión logística fueron utilizados en el estudio. Este enfoque comparando el rendimiento de diferentes algoritmos en el mismo problema clínico, distinguir entre inteligencia artificial, aprendizaje automático y aprendizaje profundo También revela la importancia de la selección de modelos.

El modelo CatBoost, que da el resultado más exitoso después de los procesos de desarrollo de modelos y ensayos internos, también fue probado en el grupo de verificación externa independiente sin reentrenar. Este enfoque se ocupa de evaluar el rendimiento predictivo en datos de pacientes que el modelo no encuentra antes.

CatBoost Modelo muestra alto rendimiento

El modelo CatBoost de nueve algoritmos exhibió el rendimiento más exitoso. El valor AUC en el grupo de prueba interna del modelo se calculó como 0.864. El rango de confianza del 95 por ciento para este resultado se informó de 0.793-0,927 por ciento. La puntuación de Brier en la misma calificación fue 0.146.

El valor AUC del modelo se midió a 0.792 en el grupo de verificación externa independiente. El rango de confianza del 95 por ciento de este valor se anunció como 0.653-0,913.

AUC se utiliza para evaluar el rendimiento de un modelo que puede distinguir diferentes clases entre sí. El enfoque a 1 apunta un rendimiento distintivo más poderoso. La puntuación de Brier ayuda a evaluar la armonía entre los resultados que se calculan; los valores bajos significan mejores resultados.

Los resultados de verificación externa muestran que el modelo CatBoost protege un cierto rendimiento en el grupo paciente que no se utiliza en el proceso de desarrollo. Sin embargo, el grupo de ancho y validación del rango de confianza sólo consiste en 61 pacientes, revela que los resultados deben ser apoyados con ejemplos más amplios.

Cinco variables básicas identificando el riesgo de opresión psicológica

Se determinaron cinco variantes clínicas básicas que el modelo en predicciones de angustia psicológica en la investigación sugiere:

22 Artículo Sino-Nazal Resultado Test (SNOT-22) puntuación u

Congestión nasal

La presencia de pólipo nasal

Uso antihipertensivo de drogas

El sentimiento de plenitud en el oído

SNOT-22 es una escala utilizada para evaluar el efecto de los pacientes rinosinales crónicos en los síntomas y la calidad de vida. El resumen de estas variables muestra que el riesgo de angustia psicológica no puede ser suficiente para la evaluación sobre un solo síntoma.

Análisis SHAP anuncia pronósticos modelo

Una de las cuestiones importantes en el uso de modelos de aprendizaje automático en el campo de la salud, entendiendo qué algoritmos se predicen sobre la base de datos. Los investigadores utilizaron el método SHAP (SHapley Additive exPlanations) para responder a esta necesidad.

El análisis SHAP ayuda a revisar la contribución de variables en el modelo. Así, los médicos pueden evaluar qué características clínicas se destacan en el cálculo del riesgo de problemas psicológicos de un paciente. Este enfoque, que interpreta las decisiones modelo, es cada vez más importante en la esfera de la salud explicó inteligencia artificial (XAI) es la base del trabajo.

¿Cómo puede el aprendizaje automático apoyar las decisiones clínicas en salud?

Uno de los resultados notables de la investigación fue una herramienta basada en la web que ofrece predicciones de riesgo individualizadas del modelo CatBoost desarrollado. El objetivo del vehículo es evaluar el riesgo de angustia psicológica de los pacientes utilizando variables clínicas rutinarias. Un nombre de producto especial para el vehículo en la publicación académica requiere no ser especificado, que los investigadores utilizan la expresión en la descripción del sistema.

Estos sistemas pueden ayudar a los pacientes con evaluación psicológica a ser notados antes. Puede apoyar el desarrollo de un enfoque clínico más holístico para abordar la condición psicológica con síntomas físicos, especialmente en la gestión de enfermedades crónicas.

Es importante no sólo el éxito predictivo en los sistemas de apoyo a las decisiones clínicas, sino para entender cómo funciona el modelo y para comentar de forma fiable los resultados. En este proceso, desde el procesamiento de datos de salud hasta la interpretación de salidas clínicas transparencia en el procesamiento del lenguaje natural y modelos clínicosSe destaca por integrar de forma fiable los sistemas de inteligencia artificial en la atención de la salud.

Es necesario evaluar el modelo como una herramienta de diagnóstico psicológico independiente. Como estimación de riesgo no significa diagnóstico exacto, entrevista clínica y evaluación especializada no tiene lugar.

¿Cuál es la limitación de la investigación?

Aunque los resultados del estudio son notables, hay algunas limitaciones. En primer lugar, se realizó una investigación con pacientes adultos programados para cirugía endoscópica sinusal. Por lo tanto, todavía no se sabe que el modelo realizará el mismo rendimiento en pacientes sin planificación quirúrgica o en grupos de pacientes en diferentes países.

El grupo independiente de verificación externa está limitado a 61 pacientes, y muestra que las nuevas necesidades de investigación con ejemplos más amplios. Además, el diseño transversal del estudio no permite establecer una relación causal entre problemas psicológicos con variables clínicas determinadas.

¿Qué viene la investigación para estudios de salud en Turquía?

La investigación ofrece un ejemplo significativo que muestra que las prácticas de salud de aprendizaje automático no se limitan sólo con los procesos de diagnóstico o tratamiento de enfermedades. La evaluación de diferentes tamaños, como la calidad de vida y las condiciones psicológicas de los pacientes con datos clínicos, crea nuevas áreas de investigación para sistemas de decisión apoyados por inteligencia artificial.

El desarrollo de modelos similares en grupos de pacientes en Turquía y la verificación del modelo actual con datos locales será importante para evaluar la disponibilidad de este enfoque en diferentes sistemas de salud.

El punto que sugiere la investigación se aborda como una herramienta que puede apoyarla en lugar de ser una alternativa a la evaluación de los clínicos de aprendizaje automático. La evaluación del riesgo psicológico en las enfermedades que afectan a la calidad de vida, como la rinocinxitis crónica, puede contribuir a la investigación sanitaria orientada al paciente.