El presente Trabajo de Fin de Máster aborda la necesidad crítica de desarrollar métodos no invasivos para predecir la fibrosis hepática en pacientes con insuficiencia cardíaca, especialmente en escenarios donde el acceso al FibroScan es limitado. El estudio se propuso desarrollar un sistema basado en Machine Learning capaz de predecir la fibrosis hepática utilizando variables clínicas relevantes, complementadas con las mediciones del FibroScan como referencia diagnóstica. El proceso de desarrollo de estos modelos subraya la importancia fundamental de la experimentación y la validación iterativa. Se exploraron diversas vías, como la clasificación multiclase inicial, que, al revelar limitaciones por el desbalance de datos y la complejidad de grados intermedios, justificó la transición a un enfoque binario más aplicado. Este camino adaptativo permitió optimizar los modelos, priorizando el rendimiento en métricas específicas según el contexto clínico, como una alta sensibilidad para la detección de la enfermedad. La selección de variables de importancia se erigió como un paso crucial, no solo para mejorar la interpretabilidad de los modelos más sencillos, como la regresión logística, sino también para validar la relevancia clínica de los predictores identificados. En última instancia, este trabajo culmina en el desarrollo de herramientas basadas en inteligencia artificial que tienen el potencial de integrarse y enriquecer las investigaciones clínicas actuales. Resalta así la trascendencia de contar con especialistas que, trabajando activamente en estos modelos y explorando diversas estrategias, puedan traducir el potencial del Machine Learning en soluciones prácticas y significativas para el avance de la medicina.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional