Un estudio reciente realizado por Samuel Y. Huang de Virginia Facultad de Medicina de la Universidad Commonwealth y Alexander A. Huang de la Facultad de Medicina de la Universidad Northwestern Feinberg en EE.UU., ha encontrado que un modelo de aprendizaje automático puede predecir eficazmente el riesgo de un paciente de sufrir un trastorno del sueño. Para lograrlo, utiliza datos demográficos y de estilo de vida, resultados de exámenes físicos y valores de laboratorio.
Los trastornos del sueño se han convertido en un problema creciente en los últimos años, afectando a un gran número de personas. Esto es particularmente preocupante ya que los trastornos del sueño pueden ser un factor de riesgo importante para enfermedades. Por ejemplo, la diabetes, las enfermedades cardíacas, la obesidad y la depresión. Es por eso que es importante entender mejor esta tendencia y encontrar formas de revertirla.
Modelo XGBoost predice con precisión el riesgo de trastornos del sueño
Para lograr este objetivo, los investigadores utilizaron el modelo de aprendizaje automático XGBoost para analizar datos disponibles públicamente sobre 7929 pacientes en los EE. UU. que completaron la Encuesta Nacional de Examen de Salud y Nutrición. Los datos contenían 684 variables para cada paciente, incluidas respuestas a cuestionarios demográficos, dietéticos, de ejercicio y de salud mental. Así como información de laboratorio y exámenes físicos.
El modelo XGBoost fue capaz de predecir el riesgo de diagnóstico de trastornos del sueño con gran precisión (AUROC=0,87, sensibilidad=0,74, especificidad=0,77). El modelo utilizó 64 de las variables totales incluidas en el conjunto de datos completo. Los mayores predictores de un trastorno del sueño, según el modelo de aprendizaje automático, fueron la depresión, el peso, la edad y la circunferencia de la cintura.
El hecho de que el modelo de aprendizaje automático pueda predecir con tanta precisión el riesgo de trastornos del sueño es muy importante, ya que esto puede ayudar a identificar a las personas que están en mayor riesgo de desarrollar trastornos del sueño. Esto, a su vez, puede ayudar a los médicos a tomar medidas preventivas antes de que el trastorno del sueño se convierta en un problema grave.
Más exactitud, menos riesgos
Además, el hecho de que el modelo pueda predecir el riesgo sin depender del juicio o sesgo del médico es un gran avance. Esto significa que el modelo puede ser utilizado de manera más eficiente en la atención médica, especialmente en áreas con escasez de recursos médicos. También puede ser utilizado por los pacientes para identificar el riesgo de trastornos del sueño y tomar medidas preventivas por su cuenta.
En definitiva, el estudio muestra que el modelo de aprendizaje automático XGBoost puede predecir el riesgo de trastornos del sueño con gran precisión utilizando datos demográficos, de estilo de vida y resultados de exámenes físicos y de laboratorio. Los investigadores encontraron que la depresión, el peso, la edad y la circunferencia de la cintura fueron los mayores predictores de un trastorno del sueño según el modelo.
Este enfoque de aprendizaje automático puede ser un primer paso efectivo en la detección de pacientes con riesgo de trastornos del sueño, sin depender del juicio o sesgo del médico. Los trastornos del sueño son un factor de riesgo importante para varias enfermedades. Entre ellas la diabetes, las enfermedades cardíacas, la obesidad y la depresión, por lo que comprender mejor esta tendencia y revertirla es crucial para la salud pública.
Referencias:
Use of machine learning to identify risk factors for insomnia: https://doi.org/10.1371/journal.pone.0282622
