Revista de enfermedades coronarias

Modelos de inteligencia artificial y aprendizaje automático para predecir el riesgo de enfermedad coronaria: análisis comparativo de rendimiento e interpretabilidad

Abstract

Ralph Maddison*

La enfermedad coronaria sigue siendo una de las principales causas de morbilidad y mortalidad en todo el mundo. Con el rápido avance del aprendizaje automático y las técnicas de inteligencia artificial, ha habido un creciente interés en el uso de estos métodos para la predicción del riesgo de CAD. Este estudio tiene como objetivo proporcionar un análisis comparativo integral de varios modelos de ML e IA para predecir el riesgo de CAD, considerando tanto su rendimiento como su interpretabilidad. Se utilizó un conjunto de datos diverso que contenía características clínicas, demográficas y de diagnóstico para entrenar y evaluar los modelos. El rendimiento de los modelos se evaluó utilizando métricas de evaluación estándar, que incluyen exactitud, precisión, recuperación, puntaje F1 y área bajo la curva característica operativa del receptor. Además, se evaluó la interpretabilidad del modelo utilizando técnicas como el análisis de importancia de características y SHAP (explicaciones aditivas de SHapley). Nuestros hallazgos indican que, si bien algunos modelos complejos logran un mayor rendimiento predictivo, los modelos más simples también demuestran una precisión competitiva al tiempo que mantienen una mayor interpretabilidad. El equilibrio entre rendimiento e interpretabilidad es crucial, ya que los modelos interpretables pueden ofrecer información valiosa sobre los factores que impulsan el riesgo de CAD. El estudio subraya la necesidad de lograr un equilibrio entre la complejidad del modelo y la interpretabilidad clínica en las aplicaciones de predicción del riesgo de CAD.