Espacios Colaborativos del Imserso
Blog del Ceadac

Hoy en el blog compartimos el estudio Machine Learning-Based Model for Prediction of Early Post-Stroke Fatigue in Patients With Stroke: A Longitudinal Study publicado en la revista Neurorehabilitation and Neural Repair. Introducción La fatiga posterior a un ictus, como uno de los síntomas físicos y mentales duraderos que acompañan a los supervivientes de un ictus, afectará gravemente la vida diaria y la calidad de vida de las personas que lo han sufrido. El objetivo de este estudio fue desarrollar algoritmos de aprendizaje automático (ML) para predecir la fatiga temprana posterior al ictus. Metodología Estudio longitudinal de 702 pacientes con ictus, con seguimiento de 3 meses. Se obtuvieron veintitrés características clínicas de las historias clínicas y cuestionarios antes del alta. La fatiga temprana tras un ictus se evaluó mediante la Escala de Gravedad de la Fatiga. El conjunto de datos se dividió aleatoriamente en un grupo de entrenamiento (70%) y un grupo de validación interna (30%), se aplicó sobremuestreo, validación cruzada de 10 veces y búsqueda en cuadrícula para optimizar el hiperparámetro. La selección de características se realizó mediante la regresión LASSO (Operador de Selección y Contracción Absoluta Mínima). Se aplicaron dieciséis algoritmos de aprendizaje automático (ML) para predecir la fatiga temprana tras un ictus en este estudio. La exactitud, la precisión, la recuperación, la puntuación F⁻ , el área bajo la curva característica operativa del receptor (AUC) y la puntuación Brier se utilizaron para evaluar el rendimiento de los modelos. Resultados Entre los 16 algoritmos de aprendizaje automático (ML), el modelo Bagging fue el óptimo para predecir la fatiga temprana post-ictus. La selección de características basada en LASSO reveló que los factores de riesgo para la fatiga temprana post-ictus en pacientes con ictus incluían ansiedad, sueño, apoyo social, cuidado familiar, dolor, depresión, trastorno neurofuncional, abstinencia/abandono de alcohol, función del equilibrio, tipo de ictus, sexo, cardiopatía, tabaquismo y hemiplejía. Conclusiones En este estudio, el modelo Bagging demostró ser eficaz para predecir la fatiga temprana posterior al accidente cerebrovascular. Fuente Wu, Y., Zhou, D., Fornah, L., Liu, J., Zhao, J., and Wu, S. (2025). Machine Learning-Based Model for Prediction of Early Post-Stroke Fatigue in Patients With Stroke: A Longitudinal Study. Neurorehabilitation and Neural Repair. DOI: 10.1177/15459683251329893. Puede solicitar el artículo completo al centro de recursos a través del correo centro.recursos.ceadac@imserso.es