Predicción de la osteoporosis basada en el aprendizaje automático tras análisis de texturas de TC en pacientes con hiperparatiroidismo primario

Resumen

1. Objetivos Evaluar el rendimiento de técnicas de aprendizaje automático supervisado para clasificar la densidad mineral ósea (DMO) normal versus anormal utilizando características clínicas y análisis de textura del tejido óseo espinal en pacientes con hiperparatiroidismo primario (HPP). 2. Material y métodos Estudio retrospectivo con 219 pacientes diagnosticados de HPP, de los cuales 58 presentaron DEXA y TC que incluía la región lumbar por cualquier motivo entre los 6 meses previos hasta 1 mes después de DEXA. La DMO se midió en UH y para el análisis de textura se trazó un ROI en la primera vértebra lumbar de cada TC utilizando el software LifeX 7.3.0. Se utilizaron técnicas de aprendizaje automático (regresión logística, Naive Bayes, red neuronal y un método de conjunto que utiliza Naive Bayes y red neuronal), que fueron entrenadas con las variables estadísticamente más significativas obtenidas después del análisis univariante. Se calculó la exactitud, precisión, recuperación, puntaje F1 y AUC. 3. Resultados Tanto los valores de HU como algunas variables derivadas del análisis de texturas mostraron diferencias estadísticamente significativas entre ambos grupos. Entre los algoritmos de aprendizaje automático estudiados, el método de conjunto basado en redes neuronales con Naive Bayes mostró un rendimiento superior con un AUC de 0,916 para distinguir individuos con DMO normal y anormal. 4. Conclusiones Las técnicas de aprendizaje automático supervisadas permiten una clasificación precisa de la DMO normal versus anormal aprovechando las características clínicas y el análisis de la textura del tejido óseo espinal en pacientes con HPP sin gastos adicionales.