Usando uma Abordagem de Aprendizado de Máquina para Prever Resultados Após Radioscirurgia para Malformações Arteriovenosas Cerebrais

As previsões dos desfechos dos pacientes após uma determinada terapia são fundamentais para a prática médica. Empregamos uma abordagem de aprendizado de máquina para prever os desfechos após radioscirurgia estereotáxica para malformações arteriovenosas (AVMs) cerebrais. Usando três bancos de dados prospectivos, uma abordagem de aprendizado de máquina de engenharia de recursos e otimização de modelos foi implementada para criar o preditor mais preciso dos resultados da AVM. Sistemas prognósticos existentes foram avaliados para fins de comparação. O preditor final foi validado secundariamente em um conjunto de dados de um site independente não utilizado para a construção inicial. De 1.810 pacientes, 1.674 a 1.291 pacientes, dependendo do limite de tempo, com 23 características foram incluídos para análise e divididos em conjuntos de treinamento e validação. O melhor preditor teve uma área média sob a curva (AUC) de 0,71 em comparação com sistemas clínicos existentes de 0,63 em todos os pontos de tempo. No conjunto de dados mantido, o preditor teve uma precisão de cerca de 0,74 em todos os limites de tempo, com uma especificidade e sensibilidade de 62% e 85%, respectivamente. Esta abordagem de aprendizado de máquina foi capaz de fornecer as melhores previsões possíveis dos resultados da radioscirurgia da AVM de qualquer método até o momento, identificar uma nova característica radiobiológica (dose de superfície 3D) e demonstrar um paradigma para o desenvolvimento adicional de ferramentas prognósticas na assistência médica.