Está aquí: Inicio Actualidad Desarrollo y validación de un modelo de aprendizaje automático explicable para la identificación de disfagia en pacientes con EPOC

Desarrollo y validación de un modelo de aprendizaje automático explicable para la identificación de disfagia en pacientes con EPOC

Publicado: Viernes, 26 Junio 2026 08:39
La disfagia es una complicación común pero a menudo pasada por alto en pacientes con Enfermedad Pulmonar Obstructiva Crónica (EPOC),  quienes son propensos debido a patrones respiratorios anormales, protección deficiente de las vías respiratorias y fragilidad generalizada.

Esto no solo los predispone a la neumonía por aspiración, sino que también sirve como un desencadenante clave para las exacerbaciones agudas de la EPOC, aumentando sustancialmente el riesgo de resultados adversos. La identificación temprana de la disfagia es esencial para mejorar el pronóstico en la EPOC. Sin embargo, la investigación sobre la detección temprana es limitada, particularmente en lo que respecta a la predicción de aprendizaje automático. Este estudio tuvo como objetivo desarrollar y validar un modelo de evaluación de riesgo basado en aprendizaje automático para la disfagia en EPOC y desplegarlo como una herramienta clínica web fácil de usar para ayudar a los médicos en la identificación de riesgos y la intervención temprana.

Pacientes y métodos
Se analizaron los registros médicos retrospectivos de 710 pacientes con EPOC ingresados ​​entre febrero de 2025 y enero de 2026. La función de deglución se evaluó mediante la prueba de deglución de agua. La regresión logística univariante y multivariante identificó factores de riesgo independientes, que se utilizaron para desarrollar y comparar ocho modelos de aprendizaje automático. El rendimiento del modelo se evaluó mediante curvas ROC, de calibración y de decisión con validación interna Bootstrap. Las variables clave se interpretaron mediante explicaciones aditivas de Shapley y el modelo final se desplegó en línea.

Resultados
La prevalencia de disfagia fue del 29,3 %. La regresión multivariante identificó cinco factores de riesgo clave: duración de la enfermedad, IMC, antecedentes de intubación traqueal, fuerza muscular y la puntuación modificada del Consejo de Investigación Médica (mMRC) para la gravedad de la disnea. Entre ocho modelos de aprendizaje automático, el modelo XGBoost mostró el mejor rendimiento en el conjunto de entrenamiento (AUC 0,921, IC del 95 %: 0,901–0,940) y demostró una buena calibración y el mayor beneficio clínico neto. El modelo se implementó en línea ( https://dysphagiamodel.shinyapps.io/COPD-DP/ ).

Conclusión
Desarrollamos y validamos una herramienta en línea de evaluación del riesgo de disfagia basada en aprendizaje automático para la EPOC, que demuestra discriminación, calibración y utilidad clínica para la estratificación del riesgo y la toma de decisiones clínicas. 

Accede al artículo completo en https://www.dovepress.com/development-and-validation-of-an-explainable-machine-learning-model--4-peer-reviewed-fulltext-article-COPD

Temas de actualidad

Aviso Cookies
Utilizamos cookies propias y de terceros para mejorar nuestros servicios de navegación y para realizar estadísticas de visitas al WebSite. Para obtener más información sobre el uso de cookies visita Cookes.
Si continúas navegando, consideramos que aceptas su uso.