Modelos predictivos de alteraciones del crecimiento fetal en ratas Wistar basado en Machine Learning

Abstract

El impacto de la diabetes pregestacional en el crecimiento fetal plantea desafíos en el campo de la investigación biomédica. En este estudio se desarrollaron dos modelos predictivos basado en algoritmos de machine learning, específicamente utilizando los algoritmos de random forest y xgboost, para identificar alteraciones en el crecimiento fetal de ratas Wistar gestadas bajo condiciones metabólicas adversas. A partir de variables metabólicas determinadas durante la gestación, se aplicaron técnicas de imputación y selección de características para garantizar la calidad de los datos utilizados. Los dos modelos diseñados se entrenaron y validaron. El modelo de random forest alcanzó una sensibilidad del 91,3 % y una especificidad del 89,5 % en la predicción de la clasificación según el peso fetal, desempeño superior en comparación con el modelo xgboost. Adicionalmente, se realizó una prueba estadística para evaluar la concordancia entre los valores de porcentaje reales y de las predicciones realizadas por ambos modelos. Los resultados evidencian que las predicciones del modelo random forest tienen una excelente concordancia con los modelos reales para las tres clasificaciones. Este trabajo demuestra la importancia de la aplicación de la inteligencia artificial a la investigación biomédica pues, en particular, en la experimentación con modelos de animales, permite el desarrollo de alternativas éticas y eficientes.