Imagen de Portada

Modelo de regresión logística para predicción de coledocolitiasis.

Mostrar otras versiones (1)

Introducción. La inteligencia artificial es la capacidad de un sistema para interpretar datos externos utilizando la tecnología para la simulación y expansión de la inteligencia humana que analiza datos y formación de patrones para desarrollar algoritmos matemáticos que aprenden patrones recurrent...

Descripción completa

Detalles Bibliográficos
Autor principal: García Villarreal, Fernando
Formato: Tesis
Lenguaje:Spanish / Castilian
Publicado: 2023
Materias:
RC Medicina Interna, Psiquiatría, Neurología
Acceso en línea:http://eprints.uanl.mx/26558/1/TESIS%20FINAL%20FGV.pdf
_version_ 1824351154733056000
author García Villarreal, Fernando
author_facet García Villarreal, Fernando
author_sort García Villarreal, Fernando
collection Tesis
description Introducción. La inteligencia artificial es la capacidad de un sistema para interpretar datos externos utilizando la tecnología para la simulación y expansión de la inteligencia humana que analiza datos y formación de patrones para desarrollar algoritmos matemáticos que aprenden patrones recurrentes que sirven para elaborar predicciones a través de la regresión logística y/o regresión simbólica. La aplicación de la misma en padecimientos biliares como la coledocolitiasis no ha sido la excepción. La coledocolitiasis está presente en el 15% de los pacientes con colecistolitiasis y actualmente el gold estándar para el diagnóstico y tratamiento es la colangiopancreatografía retrógrada endoscópica. En el manejo actual se clasifica a un paciente con base en los criterios propuestos por la Asociación Americana de Endoscopia Gastrointestinal del 2019 para determinar si someter a un paciente a un procedimiento invasivo o no. En el presente estudio se describe el rendimiento predictor de un modelo de regresión logística para la predicción de coledocolitiasis. Objetivo. Validar de forma prospectiva la utilidad de un modelo de regresión logística para la predicción de coledocolitiasis y comparar el modelo a desarrollar frente a los predictores clínicos propuestos vigentes. Material y métodos. Estudio observacional, analítico, descriptivo, prospectivo para determinar el rendimiento diagnóstico de un modelo de regresión logística diseñado con una base de datos previa de pacientes con diagnóstico de coledocolitiasis. Se incluyeron a pacientes >18 años, con sospecha de coledocolitiasis o complicaciones de ésta, con vesícula in situ que fueron ingresando al Hospital Universitario durante un año y serealizó una base de datos y posteriormente su análisis. Se realizaron curvas COR para describir la sensibilidad y especificidad para determinar el punto de corte óptimo que mejor predice la coledocolitiasis en cada subgrupo así como el área bajo la curva. Para el análisis estadístico de utilizó el programa Python. Resultados. Se recabaron 148 pacientes en riesgo general los cuáles se agruparon en 77 como riesgo alto y 71 como riesgo intermedio por la ASGE. En rendimiento general se obtuvo una sensibilidad 64%, especificidad 65%, VPP 80%, VPN 45%, Precisión 80% y AUC 0.68. En pacientes catalogados con riesgo alto una sensibilidad 66%, especificidad 67%, VPP 89%, VPN 32%, Precisión 89% y AUC 0.78. En pacientes catalogados como riesgo intermedio una sensibilidad 65%, especificidad 65%, VPP 70%, VPN 59%, Precisión 71% y AUC 0.72. Conclusión.La aplicación del modelo tanto en riesgo alto como riesgo intermedio puede ser de ayuda en la decisión terapéutica de los pacientes con sospecha de coledocolitiasis. Se pudiera plantear a futuro realizar nuevos modelos hechos con redes neuronales ya que ofrecen un mejor rendimiento predictor.
first_indexed 2025-02-06T06:19:16Z
format Tesis
id eptesis-26558
institution UANL
language Spanish / Castilian
last_indexed 2025-02-06T06:19:16Z
publishDate 2023
record_format eprints
spelling eptesis-265582023-12-22T21:02:25Z http://eprints.uanl.mx/26558/ Modelo de regresión logística para predicción de coledocolitiasis. García Villarreal, Fernando RC Medicina Interna, Psiquiatría, Neurología Introducción. La inteligencia artificial es la capacidad de un sistema para interpretar datos externos utilizando la tecnología para la simulación y expansión de la inteligencia humana que analiza datos y formación de patrones para desarrollar algoritmos matemáticos que aprenden patrones recurrentes que sirven para elaborar predicciones a través de la regresión logística y/o regresión simbólica. La aplicación de la misma en padecimientos biliares como la coledocolitiasis no ha sido la excepción. La coledocolitiasis está presente en el 15% de los pacientes con colecistolitiasis y actualmente el gold estándar para el diagnóstico y tratamiento es la colangiopancreatografía retrógrada endoscópica. En el manejo actual se clasifica a un paciente con base en los criterios propuestos por la Asociación Americana de Endoscopia Gastrointestinal del 2019 para determinar si someter a un paciente a un procedimiento invasivo o no. En el presente estudio se describe el rendimiento predictor de un modelo de regresión logística para la predicción de coledocolitiasis. Objetivo. Validar de forma prospectiva la utilidad de un modelo de regresión logística para la predicción de coledocolitiasis y comparar el modelo a desarrollar frente a los predictores clínicos propuestos vigentes. Material y métodos. Estudio observacional, analítico, descriptivo, prospectivo para determinar el rendimiento diagnóstico de un modelo de regresión logística diseñado con una base de datos previa de pacientes con diagnóstico de coledocolitiasis. Se incluyeron a pacientes >18 años, con sospecha de coledocolitiasis o complicaciones de ésta, con vesícula in situ que fueron ingresando al Hospital Universitario durante un año y serealizó una base de datos y posteriormente su análisis. Se realizaron curvas COR para describir la sensibilidad y especificidad para determinar el punto de corte óptimo que mejor predice la coledocolitiasis en cada subgrupo así como el área bajo la curva. Para el análisis estadístico de utilizó el programa Python. Resultados. Se recabaron 148 pacientes en riesgo general los cuáles se agruparon en 77 como riesgo alto y 71 como riesgo intermedio por la ASGE. En rendimiento general se obtuvo una sensibilidad 64%, especificidad 65%, VPP 80%, VPN 45%, Precisión 80% y AUC 0.68. En pacientes catalogados con riesgo alto una sensibilidad 66%, especificidad 67%, VPP 89%, VPN 32%, Precisión 89% y AUC 0.78. En pacientes catalogados como riesgo intermedio una sensibilidad 65%, especificidad 65%, VPP 70%, VPN 59%, Precisión 71% y AUC 0.72. Conclusión.La aplicación del modelo tanto en riesgo alto como riesgo intermedio puede ser de ayuda en la decisión terapéutica de los pacientes con sospecha de coledocolitiasis. Se pudiera plantear a futuro realizar nuevos modelos hechos con redes neuronales ya que ofrecen un mejor rendimiento predictor. 2023-11-13 Tesis NonPeerReviewed text es cc_by_nc_nd http://eprints.uanl.mx/26558/1/TESIS%20FINAL%20FGV.pdf http://eprints.uanl.mx/26558/1.haspreviewThumbnailVersion/TESIS%20FINAL%20FGV.pdf García Villarreal, Fernando (2023) Modelo de regresión logística para predicción de coledocolitiasis. Especialidad thesis, Universidad Autónoma de Nuevo León.
spellingShingle RC Medicina Interna, Psiquiatría, Neurología
García Villarreal, Fernando
Modelo de regresión logística para predicción de coledocolitiasis.
thumbnail https://rediab.uanl.mx/themes/sandal5/images/tesis.png
title Modelo de regresión logística para predicción de coledocolitiasis.
title_full Modelo de regresión logística para predicción de coledocolitiasis.
title_fullStr Modelo de regresión logística para predicción de coledocolitiasis.
title_full_unstemmed Modelo de regresión logística para predicción de coledocolitiasis.
title_short Modelo de regresión logística para predicción de coledocolitiasis.
title_sort modelo de regresion logistica para prediccion de coledocolitiasis
topic RC Medicina Interna, Psiquiatría, Neurología
url http://eprints.uanl.mx/26558/1/TESIS%20FINAL%20FGV.pdf
work_keys_str_mv AT garciavillarrealfernando modeloderegresionlogisticaparapredicciondecoledocolitiasis

Ejemplares similares