Artificial Intelligence Applied to Forced Spirometry in Primary Care.
Open Respir Arch
; 6(Suppl 2): 100313, 2024 Oct.
Article
en En
| MEDLINE
| ID: mdl-38828405
ABSTRACT
Introduction:
This study aims to create an artificial intelligence (AI) based machine learning (ML) model capable of predicting a spirometric obstructive pattern using variables with the highest predictive power derived from an active case-finding program for COPD in primary care. Material andmethods:
A total of 1190 smokers, aged 30-80 years old with no prior history of respiratory disease, underwent spirometry with bronchodilation. The sample was analyzed using AI tools. Based on an exploratory data analysis (EDA), independent variables (according to mutual information analysis) were trained using a gradient boosting algorithm (GBT) and validated through cross-validation.Results:
With an area under the curve close to unity, the model predicted a spirometric obstructive pattern using variables with the highest predictive power FEV1_theoretical_pre values. Sensitivity 93%. Positive predictive value 94%. Specificity 97%. Negative predictive value 96%. Accuracy 95%. Precision 94%.Conclusion:
An ML model can predict the presence of an obstructive pattern in spirometry in a primary care smoking population with no prior diagnosis of respiratory disease using the FEV1_theoretical_pre values with an accuracy and precision exceeding 90%. Further studies including clinical data and strategies for integrating AI into clinical workflow are needed.RESUMEN
Introducción:
Este estudio tiene como objetivo crear un modelo de aprendizaje automático (ML) basado en inteligencia artificial (IA) capaz de predecir un patrón obstructivo espirométrico utilizando variables con el mayor poder predictivo derivado de un programa activo de búsqueda de casos de enfermedad pulmonar obstructiva crónica (EPOC) en Atención Primaria. Materiales ymétodos:
Un total de 1.190 fumadores, de entre 30 y 80 años, sin antecedentes de enfermedad respiratoria, fueron sometidos a espirometría con IA artificial. Sobre la base de un análisis de datos exploratorio (EDA), las variables independientes (según el análisis de información mutua) se entrenaron utilizando un algoritmo de gradiente de aumento (GBT) y se validaron mediante validación cruzada.Resultados:
Con un área bajo la curva cercana a la unidad, el modelo predijo un patrón obstructivo espirométrico utilizando los valores del FEV1 prebroncodilatador. Sensibilidad 93%. Valor predictivo positivo 94%. Especificidad 97%. Valor predictivo negativo 96%. Precisión 95%. Precisión 94%.Conclusión:
Un modelo ML puede predecir la presencia de un patrón obstructivo en la espirometría en una población fumadora de atención primaria sin diagnóstico previo de enfermedad respiratoria utilizando los valores FEV1 prebroncodilatadores con una exactitud y precisión superiores al 90%. Se necesitan más estudios que incluyan datos clínicos y estrategias para integrar la IA en el flujo de trabajo clínico.
Texto completo:
1
Colección:
01-internacional
Base de datos:
MEDLINE
Idioma:
En
Revista:
Open Respir Arch
Año:
2024
Tipo del documento:
Article
País de afiliación:
Noruega
Pais de publicación:
España