Desarrollo y validación de algoritmo predictivo de la longitud total del intestino delgado con técnicas de inteligencia artificial para su aplicación en cirugía bariátrica
Fernando Trebolle, José (Universidad de Zaragoza) ; Solano Murillo, Jorge ; Lobo Cobo, Jesús ; Pellicer Lostao, Carmen ; Valero Sabater, Mónica ; Tirado Anglés, Gabriel ; Cantarero Carmona, Irene ; Luesma Bartolomé, María José (Universidad de Zaragoza)
Resumen: Objetivo. Desarrollar un modelo predictivo de la longitud total del intestino delgado para aplicar en cirugía bariátrica que permita individualizar la cirugía a cada paciente.
Material y método. Dos tablas Excel® a partir de un archivo FileMaker. Phyton™ a través de un formato Notebook en Google™ Colaboratory. La metodología ha incluido transformación y escalado de datos (MinMaxScaler), clustering (machine learning no supervisado KMeans), interpolación de datos (machine learning sobremuestreo SMOTE), modelización (modelo PyCaret - XGBoost), y validación.
Resultados. Muestra de 1.090 casos. Se han obtenido 3 clusters en los que incluir el conjunto de datos: longitud baja, media y alta. El algoritmo detecta pacientes del cluster c0 con una precisión del 62% y una sensibilidad del 74%, del cluster c1 con una precisión del 63% y una sensibilidad del 50%, y del cluster c2 con una precisión del 86% y una sensibilidad del 87%. La validación se ha realizado a partir de una muestra de 54 casos nuevos, mostrando unos resultados de precisión del 50% y una sensibilidad del 42% para el cluster c0, de puna recisión del 58% y una sensibilidad del 61% para el cluster c1, y de una precisión del 30% y una sensibilidad del 43% para el cluster c2.
Conclusiones. El desarrollo de un algoritmo predictivo para conocer la longitud total del intestino delgado a través de técnicas de clustering y machine learning, y la clasificación XGBoost es factible, aplicable, y potencialmente mejorable si se cuenta con más datos tanto en número de pacientes, como en variables a considerar.
Idioma: Español
DOI: 10.1016/j.ciresp.2025.800124
Año: 2025
Publicado en: Cirugía Española (2025), 800124
ISSN: 0009-739X
Tipo y forma: Article (PostPrint)
Área (Departamento): Area Anatom.Embriol.Humana (Dpto. Anatom.Histolog.Humanas)
Área (Departamento): Área Cirugía (Dpto. Cirugía)
0
Exportado de SIDERAL (2025-10-17-14:21:43)
Material y método. Dos tablas Excel® a partir de un archivo FileMaker. Phyton™ a través de un formato Notebook en Google™ Colaboratory. La metodología ha incluido transformación y escalado de datos (MinMaxScaler), clustering (machine learning no supervisado KMeans), interpolación de datos (machine learning sobremuestreo SMOTE), modelización (modelo PyCaret - XGBoost), y validación.
Resultados. Muestra de 1.090 casos. Se han obtenido 3 clusters en los que incluir el conjunto de datos: longitud baja, media y alta. El algoritmo detecta pacientes del cluster c0 con una precisión del 62% y una sensibilidad del 74%, del cluster c1 con una precisión del 63% y una sensibilidad del 50%, y del cluster c2 con una precisión del 86% y una sensibilidad del 87%. La validación se ha realizado a partir de una muestra de 54 casos nuevos, mostrando unos resultados de precisión del 50% y una sensibilidad del 42% para el cluster c0, de puna recisión del 58% y una sensibilidad del 61% para el cluster c1, y de una precisión del 30% y una sensibilidad del 43% para el cluster c2.
Conclusiones. El desarrollo de un algoritmo predictivo para conocer la longitud total del intestino delgado a través de técnicas de clustering y machine learning, y la clasificación XGBoost es factible, aplicable, y potencialmente mejorable si se cuenta con más datos tanto en número de pacientes, como en variables a considerar.
Idioma: Español
DOI: 10.1016/j.ciresp.2025.800124
Año: 2025
Publicado en: Cirugía Española (2025), 800124
ISSN: 0009-739X
Tipo y forma: Article (PostPrint)
Área (Departamento): Area Anatom.Embriol.Humana (Dpto. Anatom.Histolog.Humanas)
Área (Departamento): Área Cirugía (Dpto. Cirugía)
0
Exportado de SIDERAL (2025-10-17-14:21:43)
Este artículo se encuentra en las siguientes colecciones:
articulos > articulos-por-area > anatomia_y_embriologia_humana
articulos > articulos-por-area > cirugia
Notice créée le 2025-07-17, modifiée le 2025-10-17
Postprint
Postprint