Artículo de revisión

Enfoques de aprendizaje automático para la evaluación precisa del riesgo de reacciones adversas a la transfusión: una revisión basada en Scikit

DOI:

10.3791/69658

⸱

20 de enero de 2026

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Esta revisión examina el potencial de la biblioteca de aprendizaje automático scikit-learn para predecir reacciones adversas a las transfusiones. Describe un marco basado en datos para mejorar la evaluación de riesgos, abordar las limitaciones de los enfoques convencionales y apoyar el desarrollo de la medicina transfusional de precisión.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Las reacciones adversas a la transfusión (TAR) incluyen efectos indeseables que ocurren durante o después de la transfusión de sangre, resultantes de la administración de sangre, productos sanguíneos o materiales asociados a la transfusión. Estas reacciones pueden causar manifestaciones clínicas leves a graves, incluyendo reacciones alérgicas, hemólisis y lesión pulmonar aguda relacionada con transfusiones (TRALI). Los enfoques convencionales actuales —como la coincidencia de grupos sanguíneos ABO/Rh y los protocolos de transfusión masiva— pueden mejorar los resultados para los pacientes, pero no abordan factores complejos específicos de cada paciente. Por tanto, es esencial desarrollar un modelo de riesgo dedicado al TAR. Los algoritmos de aprendizaje automático (ML) pueden aprovechar conjuntos de datos clínicos y de laboratorio a gran escala para construir modelos diagnósticos y pronósticos, avanzando en la medicina personalizada y de precisión. Cabe destacar que el algoritmo de aprendizaje automático scikit-learn (SK-learn) aún no se ha aplicado directamente a la evaluación de riesgos TAR; No obstante, su eficacia en la construcción de modelos médicos similares de predicción de riesgos ha recibido un reconocimiento significativo. Esta revisión presenta un marco basado en aprendizaje automático para predecir y prevenir la TAR, con un énfasis específico en el papel de SK-learn en diversos contextos clínicos. Nuestro análisis sienta las bases para el diagnóstico de precisión futuro de la TAR y el desarrollo de algoritmos SK-learn. De manera crucial, nuestra síntesis de la literatura indica que sklearn ofrece un conjunto de herramientas versátil y potente para esta tarea; sin embargo, su exitosa traducción a la práctica clínica depende de superar desafíos clave, incluyendo la heterogeneidad de datos multicéntrica y la necesidad de una interpretabilidad robusta del modelo.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La transfusión de sangre es una intervención que salva vidas y se utiliza en diversos contextos clínicos, incluyendo la atención al trauma, procedimientos quirúrgicos, emergencias obstétricas, tratamientos oncológicos y el manejo de trastornos hematológicoscrónicos 1,2. A pesar de los beneficios terapéuticos significativos, las transfusiones pueden causar diversos eventos adversos, denominados colectivamente Reacciones Adversas a Transfusiones (TARs)3,4. La RAT representa una condición multifactorial con manifestaciones que van desde reacciones alérgicas leves hasta complicaciones graves. Las reacciones más frecuentes incluyen reacciones febriles no hemolíticas (FNHTR) y reacciones alérgicas, con incidencias reportadas de aproximadamente 26 y 21 por cada 100.000 unidades transfundidas, respectivamente 5,6. Mientras que la coincidencia de grupos sanguíneos ABO/Rh y los procedimientos de transfusión estandarizados pueden reducir significativamente el riesgo de TAR, aumentando así la seguridaddel paciente 7,8,9. No pueden prevenir completamente estos eventos, especialmente aquellos con etiologías complejas o mediadas por el sistema inmunitario.

La evidencia sugiere que el aprendizaje automático, un subcampo de la inteligencia artificial (IA), facilita la integración de datos complejos y multimodales. Esta capacidad mejora la toma de decisiones clínicas, facilita el tratamiento personalizado y optimiza los servicios médicos, mejorando finalmente los resultados para los pacientes10,11. Introducido en 2007, SK-learn es una biblioteca de aprendizaje automático en Python de código abierto. Sus funcionalidades principales incluyen análisis de regresión implementado mediante algoritmos de aprendizaje automático, junto con clasificación, agrupamiento, reducción de dimensionalidad, selección de modelos y capacidades de preprocesamiento12. En aplicaciones médicas, SK-learn se emplea principalmente para la predicción de enfermedades, clasificación diagnóstica y estratificación clínicadel riesgo 13,14. Por ejemplo, un estudio utilizó la biblioteca SK-learn para construir un modelo predictivo que diferenciaba eficazmente entre nefropatía diabética y nefropatía no diabética, ayudando así en el diagnóstico clínico y el tratamiento15. Aprovechando las ventajas del algoritmo sklearn, su eficacia en la construcción de modelos de predicción de riesgo de reacción adversa (TAR) tras la transfusión ha recibido un reconocimiento significativo16,17.

Esta revisión sintetiza los avances actuales en algoritmos de aprendizaje automático SK-learn y delimita sus aplicaciones traslacionales en diversos contextos de enfermedades. Además, establece un marco para la futura implementación clínica de SK-learn en el diagnóstico y modelado predictivo de TAR estratificado por riesgo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Revisión y perspectiva

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Resumen de la TAR
Patogénesis de la RAT
La RAT abarca un espectro diverso de manifestaciones clínicas y mecanismos fisiopatológicos (Tabla I). Estas reacciones se clasifican principalmente en subtipos mediados por el sistema inmune y no mediados por elsistema inmune 7,9,18,19. Las reacciones mediadas por el sistema inmunitario suelen implicar interacciones antígeno-anticuerpo, lo que conduce a hemolisis o respuestas inflamatorias sistémicas. Un ejemplo representativo es la incompatibilidad ABO, que puede desencadenar reacciones agudas de transfusión hemolítica (AHTR). Esta condición se manifiesta como fiebre, dolor en el costado, hipertensión, coagulación intravascular diseminada (CID) e insuficiencia renalaguda 7,9,20. Además, las reacciones de hipersensibilidad tipo I pueden desencadenar transfusiones alérgicas, con manifestaciones clínicas que van desde urticaria leve hasta anafilaxia potencialmente mortal. Cabe destacar que estas reacciones se asocian frecuentemente con productos plaquetarios debido a la presencia de proteínas plasmáticas residuales de donantes, incluyendo las moléculas alérgicassubpolínicas 18,21,22,23. TRALI se define clínicamente por el inicio agudo de hipoxemia y edema pulmonar no cardiogénico dentro de las 6 horas posteriores a la transfusión. La patogénesis involucra principalmente anticuerpos derivados de donantes contra antígenos leucocitos humanos (HLAs) o antígenos específicos degranulocitos 21,22,24. Cabe destacar que ciertos antígenos de grupo sanguíneo, como los antígenos del sistema Kidd, pueden desencadenar reacciones hemolíticas retardadas, también conocidas como DHTR, cuando son atacados por anticuerpos anti-HLA derivados del donante. Por separado, TRALI, que es un tipo de lesión pulmonar aguda relacionada con transfusiones, representa una entidad patológica distinta mediada por anticuerpos anti-HLA del donante a través de mecanismos de activación deneutrófilos 6,22. Las reacciones transfusionales no mediadas por el sistema inmune abarcan varias entidades clínicas, incluyendo reacciones sépticas debidas a contaminación bacteriana, sobrecarga volumétrica, hemólisis mecánica o térmica, y sobrecarga circulatoria asociada a transfusiones (TACO)9,23. Las reacciones de transfusión séptica resultan de la infusión de productos sanguíneos contaminados con bacterias, siendo las más comunes Staphylococcus spp., Staphylococcus aureus y Escherichia coli en plaquetas, y Yersinia enterocolitica en glóbulos rojos. Clínicamente, presentan fiebre alta, rigidez, hipotensión y pueden evolucionar rápidamente a shock. Cabe destacar que, con la implementación de cribado de patógenos altamente sensibles, el riesgo de infecciones clásicas transmitidas por transfusión (TTIs, por ejemplo, VIH, VHC) se ha reducido drásticamente. En consecuencia, las reacciones sépticas, especialmente por transfusiones de plaquetas almacenadas a temperatura ambiente, son ahora una complicación infecciosa más frecuente reportada que las TTI. Las infecciones transmisibles por transfusion, que pueden ser causadas por diversos patógenos, como virus, bacterias y parásitos, pueden desencadenar la TAR al activar el sistema inmunitario innato. Revisiones sistemáticas recientes destacan que el cribado exhaustivo de patógenos inmunogénicos sigue siendo el principal desafío para prevenir la TAR relacionada con lainfección 25,26,27,28 (Tabla 1).

Epidemiología de la RAT
En los países desarrollados, la incidencia global de la RAT sigue siendo relativamente baja. Los datos actuales de vigilancia indican que las reacciones alérgicas y las transfusiones no hemolíticas febriles (FNHTR) se encuentran entre los eventos adversos más frecuentemente reportados, siendo ahora más frecuentes que los FNHTR en muchos sistemas de notificación. Las reacciones de transfusión serológico tardía (DSTR) se reportan con menorfrecuencia 5,9,29. No obstante, la TAR sigue planteando desafíos clínicos sustanciales en países en desarrollo y poblaciones específicas, con este perfil de riesgo elevado derivado de determinantes multifactoriales, incluyendo variaciones en protocolos de cribado estandarizados, procedimientos subóptimos de manipulación de productos sanguíneos, prácticas transfusionales heterogéneas y predisposiciones genéticas específicas dela población 26,27. Los pacientes con anemia falciforme son especialmente susceptibles a las reacciones hemolíticas por transfusión y a la aloinmunización. Este riesgo elevado se atribuye a la inflamación crónica, diferencias fenotípicas en los antígenos de glóbulos rojos entre poblaciones predominantemente caucásicas de donantes y pacientes con SCD de ascendencia africana, y una alta exposición a transfusiones a lo largo de la vida, en lugar de la presencia propia de hemoglobinafalciforme 20,30. Cabe destacar que datos recientes de vigilancia de los principales centros médicos chinos revelaron una mayor incidencia de TAR alérgica en poblaciones pediátricas y neonatales que en adultos, lo cual se debe a umbrales de transfusión y prácticas clínicas distintos. Por el contrario, las cohortes europeas muestran un patrón epidemiológico opuesto en estos gruposde edad 19, 31, 32. Por ejemplo, Guo, K. et al. 19 informaron que los niños en un importante centro nacional chino experimentaban reacciones alérgicas con mayor frecuencia que los adultos, mientras que en los recién nacidos, los umbrales y prácticas transfusionales varían significativamente enEuropa 33.

Los ensayos clínicos actuales que desarrollan modelos de evaluación de riesgos TAR emplean tres enfoques estratégicos centrales que abarcan medidas preventivas estratificadas por riesgo, sistemas de monitorización continua en tiempo real y protocolos de manejo personalizados para poblaciones de alto riesgo. Estos modelos de riesgo demuestran un sistema de clasificación bimodal, que comprende tanto herramientas de cribado integrales con aplicabilidad universal a receptores de transfusiones como algoritmos predictivos especializados diseñados para identificar subtipos específicos de reaccionesadversas 34,35. Las herramientas generalizadas de evaluación de riesgos, ejemplificadas por el sistema británico Serious Hazards of Transfusion (SHOT), utilizan conjuntos de datos a nivel poblacional para estratificar a los receptores de transfusiones. Estos sistemas demuestran una eficacia particular para identificar cohortes de alto riesgo, incluyendo pacientes con antecedentes de múltiples transfusiones o trastornosautoinmunes 36. La metodología convencional de puntuación de Riesgo de Transfusión y Conocimiento Clínico (TRACK) emplea métricas de rendimiento estáticas con valores de corte predeterminados para cuantificar el rendimiento del modelo dentro de los límites de decisión predefinidos. Este enfoque caracteriza la capacidad predictiva de un modelo bajo parámetros operativosrestringidos 37. Los avances recientes han dado lugar a nuevas herramientas de estratificación de riesgos para la predicción de transfusiones. El sistema SCORE, desarrollado recientemente, incorpora seis factores predictivos clínicamente validados para estimar la probabilidad de transfusión. Los análisis comparativos demuestran que este modelo simplificado logra una precisión predictiva y un rendimiento de calibración comparables a la puntuación convencional de TRACK al pronosticar los requerimientos de transfusión en procedimientos quirúrgicoscardíacos 38.

Además de modelos de reacción específicos, se han estudiado recientemente muchos modelos invivo 39. TRALI es una complicación clínicamente significativa cuyo perfil de riesgo se determina mediante la interacción de anticuerpos anti-antígenos leucocitos/neutrófilos humanos derivados del donante (anti-HLA/HNA), biomarcadores inflamatorios elevados del receptor, incluyendo la interleucina-6, y el volumen de transfusiónadministrado 34,39,40. El riesgo de sobrecarga circulatoria asociada a transfusiones (TACO) suele evalúarse utilizando sistemas de puntuación clínica que incorporan parámetros como niveles elevados de péptidos natriuréticos tipo B (BNP o NT-proBNP), antecedentes de disfunción cardíaca, alta tasa de transfusión y balance positivo de líquidos. El riesgo de hemólisis mediada por el sistema inmunitario se evalúa preventivamente mediante el cribado de anticuerpos mediante la prueba indirecta de antiglobulinas (prueba indirecta de Coombs), que detecta aloanticuerpos clínicamente significativos en el plasma del receptor. Identificar estos anticuerpos permite seleccionar unidades sanguíneas negativas para la transfusión, evitando así las reacciones antígeno-anticuerpo que de otro modo causarían hemólisis. El historial transfusional del paciente también es fundamental para identificar sensibilización previa y riesgo de reacciones hemolíticas retardadas. Estos modelos mecanicistas integran parámetros clínicos y de laboratorio multidimensionales para aumentar la precisión de la predicción de reaccionesadversas 34,39,41. Además, se han generado protocolos de transfusión masiva (MTP) para reducir la mortalidad relacionada con el shock hemorrágico en pacientes con trauma o cirugía con hemorragia severa, estandarizando la proporción de glóbulos rojos, plasma yplaquetas 42,43. Sin embargo, estas prácticas han reducido la morbilidad relacionada con la transfusión y no capturan completamente la intrincada interacción entre variables inmunológicas y no inmunológicas que definen la seguridad transfusional. Muchos sistemas y protocolos de puntuación existentes han sido validados bajo condiciones controladas o en cohortes de pacientes más estrechas, lo que los hace subóptimos en entornos reales yheterogéneos 16,44,45,46. La evolución de los perfiles de patógenos, los cambios en las poblaciones de donantes y la complejidad de la atención médica moderna desafían aún más los enfoquesestáticos 25,26,47. Este contexto ha impulsado un creciente interés en aplicar el aprendizaje automático para perfeccionar la evaluación del riesgo transfusional, combinando datos clínicos, hallazgos de laboratorio y campos emergentes como la multiómica para crear modelos predictivos más potentes (Figura 1)48,49,50.

Construcción actual de modelos de evaluación clínica de riesgos mediante aprendizaje automático
El aprendizaje automático (ML), como paradigma fundamental de inteligencia artificial, potencia la toma de decisiones adaptativas mediante el descubrimiento automatizado de patrones de datos latentes y la generación inductiva de modelos predictivos, evitando así la programación procedimental explícita y permitiendo un refinamiento continuo del rendimiento en dominios complejos y en evolución, incluyendo el diagnóstico médico y la previsión51. La evolución del aprendizaje automático ha atravesado tres fases distintas: (1) la era fundacional, que sentó las bases teóricas52; (2) el renacimiento algorítmico, marcado por avances significativos en máquinas de vectores de soporte y métodosde conjunto 53; y (3) la revolución del aprendizaje profundo, donde las redes neuronales convolucionales y recurrentes, impulsadas por la aceleración de GPU y el big data, han provocado cambios transformadores de paradigma en múltiples campos54. En aplicaciones médicas, han revolucionado el diagnóstico de imágenes médicas y la detecciónde biomarcadores 55.

Los sistemas actuales de aprendizaje automático se categorizan en tres paradigmas centrales según sus mecanismos de aprendizaje: (1) aprendizaje supervisado, que se basa en conjuntos de entrenamiento etiquetados para modelado predictivo; (2) aprendizaje no supervisado, que descubre estructuras latentes a partir de datos no anotados; y (3) aprendizaje profundo, que aprovecha arquitecturas neuronales jerárquicas para la abstracción automatizada de características. En conjunto, estos paradigmas constituyen las metodologías fundamentales que sustentan las aplicaciones contemporáneas de IA.

En los últimos años, el aprendizaje automático ha ganado una amplia aplicación en el desarrollo de marcadores diagnósticos médicos, evaluación del pronóstico y construcción de modelos de riesgo57,58. Los datos médicos suelen mostrar una alta dimensionalidad, lo que supone desafíos significativos para un análisis eficaz mediante métodostradicionales 14,59. Las técnicas de aprendizaje automático son excelentes para extraer características críticas de conjuntos de datos tan complejos, facilitando así la identificación de características cruciales. La aplicación del aprendizaje automático en la medicina transfusional está emergiendo rápidamente. Por ejemplo, los modelos de aprendizaje automático han demostrado un rendimiento superior en tareas como la clasificación médica de imágenes y el análisis patológico, lo que ha llevado a mejoras sustanciales en la precisión del diagnóstico precoz y la estratificación delpronóstico 60,61. Aprovechando datos específicos de cada paciente, como perfiles genómicos y metabolómicos, el aprendizaje automático puede predecir respuestas personalizadas al tratamiento, avanzando en el campo de la medicinade precisión 62. Más allá de predecir la necesidad de transfusiones, también se está aplicando el aprendizaje automático para optimizar la gestión de los productos sanguíneos. Los estudios han utilizado el aprendizaje automático para tareas como la predicción del uso de plaquetas y la personalización de los calendarios de pedidos de sangre preoperatorios, demostrando potencial para mejorar la gestión de inventarios y reducir el desperdicio.

Además, el aprendizaje automático permite la integración de datos multifuente, incluyendo imagen, genómica y registros electrónicos de salud (EHR), para construir modelos predictivoscompletos 63. Además, el aprendizaje automático soporta alertas de riesgo en tiempo real, como la predicción de sepsis para pacientes en UCI, y automatiza los flujos de trabajo diagnósticos, aliviando así la carga de trabajo de los profesionalessanitarios 64. El aprendizaje automático ha avanzado significativamente la precisión de los modelos de pronóstico del cáncer y el desarrollo de dianas al integrar datos multiómicos, analizar patrones complejos y acelerar el diseño de fármacos. Además, el aprendizaje automático mejora la precisión diagnóstica al identificar patrones tanto conocidos como desconocidos que indican la presencia o ausencia de cáncer65. Un estudio simulado demostró que los radiólogos podían saltarse casos negativos previstos, reduciendo su carga de trabajo a solo el 80,7% de las mamografías, manteniendo la sensibilidad y especificidad generales. Se ha demostrado que los modelos CNN pueden usarse para segmentar tejidos funcionales a partir de imágenes de ecografía mamaria, ayudando así a los clínicos en la interpretación y diagnóstico de estasimágenes 66. El pronóstico y la selección del tratamiento dependen en gran medida de las características tumorales, muchas de las cuales pueden predecirse mediante modelos de aprendizaje automático basados en imágenes. Algunos investigadores han aplicado CNN 3D para predecir el estado de mutación EGFR en adenocarcinoma pulmonar a partir de regiones de interés (ROI) seleccionadas manualmente en tomografías computarizadas, ofreciendo una alternativa no invasiva para la genotipificación del cáncer e informando posibles estrategiasterapéuticas 67. Las tecnologías genómicas emergentes, como la transcriptómica unicelular y la transcriptómica espacial, tienen un potencial significativo para revolucionar la caracterización histopatológica de tumores sólidos. En concreto, la transcriptómica unicelular permite un análisis detallado de la composición celular, lo que permite a los modelos de aprendizaje automático predecir respuestas al tratamiento del cáncer y posibles mecanismos de resistenciaa los fármacos 68.

El aprendizaje profundo (DL), como subcampo del aprendizaje automático, aprovecha algoritmos de redes neuronales multicapa inspirados en la arquitectura neuronal del cerebro para la modelización predictiva69. A diferencia de los métodos de aprendizaje automático, como la regresión logística, que aprovechan su arquitectura de redes neuronales, la DL permite que los modelos escalen exponencialmente con el aumento del volumen y la dimensionalidad de datos69. La DL se ha aplicado extensamente en aplicaciones médicas. En los últimos años, las técnicas emergentes de aprendizaje profundo se han adoptado ampliamente para el diagnóstico del cáncer, el pronóstico y la identificación de regímenes terapéuticos. Diversas arquitecturas de redes neuronales, incluyendo perceptrones multicapa (MLPs), redes neuronales recurrentes (RNN) y redes neuronales convolucionales (CNN), sirven como componentes fundamentales para metodologías avanzadas69. Los estudios han introducido un modelo CNN capaz de predecir el riesgo de cáncer no solo a nivel de imagen sino también a nivel de píxel, proporcionando mapas de calor que destacan las regiones con mayor probabilidad de desarrollar malignidades70. La integración de CNN profundos en sistemas de clasificación oncológica basados en histología ha demostrado ser exitosa, con estudios que indican que estos modelos pueden lograr un rendimiento comparable al de los patólogos humanos en la clasificación de cánceres de próstata, mama, colon y linfoma71,72,73,74,75. Los investigadores han demostrado que segmentar tejidos cancerosos con un generador basado en CNN puede ayudar a un clasificador basado en CNN a predecir el grado del cáncer de próstata76. Algunos investigadores han utilizado un modelo híbrido de red neuronal convolucional de grafos (GCNN) para mapear perfiles de expresión génica en la red de interacción proteína-proteína (PPI) STRING, permitiendo predecir subtipos moleculares de cáncer de mama69,77. El aprendizaje automático también ha demostrado una aplicabilidad significativa en enfermedades no cancerosas, especialmente en modelado diagnóstico. Por ejemplo, estudios han realizado entrenamiento y validación externos y prospectivos de modelos de aprendizaje automático para predecir la mortalidad y eventos críticos entre pacientes con COVID-19 a lo largo de distintos periodos. Estos modelos identificaron con éxito a pacientes de alto riesgo y esclarecieron las relaciones subyacentes que contribuyeron a los resultados predictivos78. Los modelos radiómicos tradicionales dependen predominantemente de características manualmente diseñadas derivadas explícitamente de imágenes médicas. Los investigadores han explorado si las características profundas extraídas mediante aprendizaje por transferencia podrían utilizarse para generar firmas radiómicas que predigan la supervivencia global (SO) de pacientes con glioblastoma multiforme (GBM)79. En los últimos años, el aprendizaje automático ha demostrado avances significativos en microbiología80. Una aplicación clave dentro de este ámbito consiste en permitir que los profesionales sanitarios diagnostiquen rápida y con precisión los microorganismos responsables de las enfermedades infecciosas en los pacientes, lo cual es fundamental para determinar estrategias de tratamiento adecuadas. Los modelos de aprendizaje automático pueden lograr diagnósticos precisos cuando se les proporciona datos de entrada adecuados80. Se ha demostrado que el uso de una red neuronal convolucional (CNN) preentrenada como extractor de características, combinado con validación cruzada a nivel de paciente, puede distinguir eficazmente entre células infectadas por malaria y células no infectadas, mejorando así los procesos de cribado de enfermedades81. Se desarrolló un modelo de aprendizaje automático basado en una cohorte de 1.839 aislados bacterianos del Reino Unido para clasificar los perfiles de resistencia de Mycobacterium tuberculosis (M. tuberculosis) a ocho fármacos antituberculosos (isoniazida, rifampicina, etambutol, pirazinamida, ciprofloxacina, moxifloxacina, ofloxacina y estreptomicina), incluyendo tuberculosis multirresistente. En comparación con métodos anteriores, el modelo con mejor rendimiento mejoró la sensibilidad para isoniazida, rifampicina y etambutol en un 2-4%, alcanzando una sensibilidad del 97% (P < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

Por ejemplo, los modelos DL suelen entrenar para analizar imágenes mamográfpulas y predecir la probabilidad de que un paciente desarrolle cáncer en el futuro82. Además, algunos investigadores han destacado las ventajas de este método de predicción directa del riesgo, indicando que la puntuación de riesgo de cáncer de mama generada por el modelo de red neuronal convolucional Inception-ResNet-v2 es más precisa que la obtenida de la evaluación clínica de la densidadmamaria 83. De manera similar, algunos investigadores han desarrollado un modelo de mamografía basado en DL que supera al modelo de riesgo de Tyrer-Cuzick, que se basa en características clínicas como la edad de la paciente, para predecir el riesgo de desarrollo de cáncer de mama a cinco años en mujeresde 84 años.

Además, el aprendizaje automático se ha aplicado en la medicina transfusional. El creciente interés por aplicar la IA a la medicina transfusional queda subrayado por su inclusión en los principales foros profesionales, como una conferencia dedicada organizada por el Grupo de Trabajo Clínico de Transfusión de la Sociedad Internacional de Transfusiones Sanguíneas (ISBT), que explora el potencial de la IA en la práctica, educación e investigación de la MT85. La transfusión de sangre (BT) es un componente fundamental de la atención médica para pacientes quirúrgicos en la UCI. Este estudio analizó datos de 9.118 pacientes de UCI quirúrgica en la base de datos de la UMC, utilizando aprendizaje automático para predecir los requerimientos de transfusión de sangre. Al comparar el rendimiento de los algoritmos XGBoost y de regresión logística (LR) utilizando datos desde 6 horas antes del ingreso en UCI hasta 1, 2, 3 y 6 horas después del ingreso, la investigación reveló diferencias significativas en las características de los pacientes entre grupos transfusionales y no transfusionales. Estos hallazgos confirman la viabilidad del aprendizaje automático para predecir las necesidades de transfusión de sangre en pacientes de UCIquirúrgica 86. Las transfusiones alogénicas de sangre son frecuentemente necesarias en cirugías de articulaciones de cadera, pero se asocian con un mayor riesgo de morbilidad. Es esencial una predicción precisa de los requerimientos de transfusiones para minimizar el desperdicio de productos sanguíneos y optimizar la toma de decisiones preoperatorias. Estudios recientes han establecido 14 algoritmos de aprendizaje automático para predecir los riesgos de transfusiones, incorporando datos demográficos de pacientes, resultados de laboratorio preoperatorios e información quirúrgica. El rendimiento del modelo se evaluó mediante discriminación, calibración y análisis de curvas de decisión. Se emplearon explicaciones aditivas SHapley (SHAPs) para interpretar los modelos, con el clasificador de crestas demostrando la mayor precisión predictiva, logrando un AUC de 0,85 (IC 95%: 0,81-0,88) y una puntuación Brier de 0,21. El modelo de aprendizaje automático de este estudio demostró un alto rendimiento predictivo para las necesidades de transfusión perioperatoria en cirugías de la articulación de cadera, utilizando las variables clínicasdisponibles 87.

Además, el aprendizaje automático se ha integrado con éxito en el diseño de fármacos, abordando desafíos como el tiempo y los costes computacionales mientras mejora lafiabilidad 88,89. Al aprovechar el entorno tridimensional de unión de ligandos de las proteínas, el aprendizaje automático facilita la determinación de las estructuras de proteínas objetivo, un paso crucial en el descubrimiento defármacos. Por ejemplo, AlphaFold, una herramienta impulsada por IA, puede entrenarse directamente con los datos del Banco de Datos de Proteínas (PDB) y es capaz de predecir estructuras 3D de proteínas a partir de secuenciasde aminoácidos 91. AlphaFold emplea un proceso de dos pasos: primero, una CNN convierte la secuencia de aminoácidos de la proteína en matrices de distancia y ángulo de torsión; segundo, las técnicas de optimización de gradientes transforman estas matrices en la estructura 3D de laproteína 92.

Scikit-learn (sklearn) es una biblioteca de aprendizaje automático basada en Python ampliamente reconocida por su facilidad de uso, extensa documentación y robusto soporte comunitario93. Proporciona una colección completa de métodos supervisados, como regresión logística, máquinas de vectores de soporte y bosques aleatorios, así como métodos no supervisados, incluyendo agrupamiento y reducción de dimensionalidad93. También proporciona Pipelines que agilizan el preprocesamiento de datos, el entrenamiento de modelos, la validación cruzada y la optimización de hiperparámetros en un marcounificado 93. Las herramientas para la interpretabilidad del modelo, incluyendo la importancia de las características por permutación y los gráficos de dependencia parcial, junto con métodos avanzados de conjunto como el bosque aleatorio y el gradiente boosting, muestran de forma consistente un rendimiento predictivo robusto en contextos sanitarios45,93.

Dadas estas características, SK-learn se ha utilizado ampliamente en investigación médica para tareas como el diagnósticode enfermedades 12,94, la predicción de supervivencia multiplicadapor 95, el análisis de grandes conjuntos de datos de imagen96 y la construcción de modelos de predicción de riesgo para el uso detransfusiones 97. Esta sección ofrece un examen detallado de los casos específicos de aplicación y la implementación técnica, y demuestra las ventajas de SK-learn en la construcción de modelos de diagnóstico de enfermedades y evaluación de riesgos (Figura 2). Con un enfoque particular en el ámbito del cáncer, donde sus aplicaciones son más extensas y maduras, analizamos prácticas exitosas y abordamos los desafíosexistentes 12,93,95,98. Además, exploramos cómo estos conocimientos pueden servir como referencias e inspiraciones valiosas para el desarrollo de modelos de predicción de riesgos TAR.

SK-learn proporciona un marco algorítmico robusto que integra técnicas tradicionales de aprendizaje automático —incluyendo máquinas de vectores de soporte (SVMs), bosques aleatorios y regresión logística— con enfoques de aprendizaje profundo como el clasificador multilayer perceptrón (MLP), lo que lo hace muy adecuado para modelar diversos conjuntos de datos de cáncer. Por ejemplo, en el desarrollo de un novedoso sistema histológico para diagnosticar carcinomas adrenocortical, los investigadores han utilizado la biblioteca sklearn en Python para construir un modelo matemático multidimensional. Este modelo alcanzó una precisión diagnóstica global del 100%, demostrando una amplia aplicabilidad a todas las variantes morfológicas99.

Además, las herramientas SK-learn, GridSearchCV y RandomizedSearchCV permiten la optimización automatizada de hiperparámetros. Por ejemplo, al predecir la metástasis ganglio linfático, los parámetros de un modelo XGBoost se ajustaron mediante validación cruzada, resultando en un valor AUC de 0,95212. Por ejemplo, la máquina de vectores de soporte (SVM) muestra un rendimiento superior en tareas de clasificación del cáncer de mama. Su función núcleo no lineal permite un procesamiento eficaz de datos de imagen de alta dimensión. Un estudio que analizó datos espectrales de pacientes con cáncer oral reveló que la SVM, combinada con la eliminación recursiva de características (RFE), alcanzó una sensibilidad del 95% y una especificidad del 96%, superando significativamente el análisis discriminante lineal de Fisher (FLD)100. Además, un análisis comparativo realizado en el conjunto de datos de cáncer de mama de UCI demostró que SVM superó tanto al agrupamiento K-means como a las redes neuronales artificiales en términos de precisión de clasificación y capacidadde generalización 101. La capacidad de la SVM para manejar datos de alta dimensión es igualmente relevante para la predicción de la TAR, donde los modelos deben integrar numerosos parámetros clínicos y de laboratorio.

El método del bosque aleatorio demuestra un rendimiento superior en el análisis de importancia de características. Algunos investigadores han utilizado bosques aleatorios para integrar datos genómicos y clínicos e identificar características clave relacionadas con el pronóstico del cáncer de mama. Los resultados de agrupamiento se correlacionaron significativamente con los resultadosclínicos 102. Este enfoque puede transferirse directamente al modelado TAR para identificar los factores de riesgo más influyentes, como anticuerpos específicos de donantes o marcadores inflamatorios del receptor, a partir de una amplia variedad de características candidatas.

XGBoost, como algoritmo representativo de aumento de gradientes, demuestra un rendimiento sobresaliente en la predicción de estadios del cáncer. Un estudio basado en datos de multiómica de TCGA indicó que XGBoost, combinado con características de metilación del ADN, puede mejorar aún más el rendimiento predictivo del modelode clasificación 103. En otro estudio sobre la metástasis del cáncer de mama, XGBoost optimizó sus hiperparámetros mediante Grid-Search CV y se combinó con la visualización de valores SHAP. Se identificaron con éxito seis genes clave, como SQSTM1 y GDF9. El AUC del modelo alcanzó 0,82, proporcionando nuevos biomarcadores para la predicción del riesgo de metástasis104. La combinación de métodos de conjunto de alto rendimiento como XGBoost con la explicación SHAP es un paradigma poderoso que puede adoptarse para los modelos TAR y así proporcionar a los clínicos evaluaciones de riesgo transparentes y accionables.

SK-learn proporciona un kit de herramientas estandarizado para preprocesamiento de datos que aborda eficazmente la alta dimensionalidad, el desequilibrio y los valores ausentes en los datos de cáncer. Por ejemplo, en la predicción del cáncer colorrectal, se utilizó un modelo de regresión logística que analiza cuatro indicadores principales, como la CEA y la hemoglobina, para construir un modelo diagnóstico no invasivo con un área bajo la curva (AUC) de 0,849, superando significativamente la detección mediante un único marcadortumoral 105. En términos de procesamiento de datos desequilibrados, al combinar la técnica de sobremuestreo SMOTE de la biblioteca de aprendizaje desequilibrado, XGBoost mejoró la sensibilidad de la clase minoritaria (muestras malignas) en un 8,36% en la clasificación de cáncer de mama, y el valor F1 alcanzó el 96,2%106.

La combinación de SK-learn con herramientas como SHAP y eli5 proporciona una interpretabilidad transparente para modelos de cáncer. En la predicción de la metástasis de ganglios linfáticos centinela en el cáncer de mama, el modelo XGBoost visualizado mediante valores SHAP muestra que las características de ecografía como "ganglios linfáticos sospechosos" y "espiculación marginal" contribuyen más al riesgo de metástasis, lo cual es altamente coherente con la lógica diagnósticaclínica 12.

SK-learn ha demostrado ventajas sustanciales en la investigación relacionada con enfermedades no cancerígenas. Las enfermedades no cancerosas frecuentemente requieren la integración de datos multifuente, incluyendo historiales electrónicos de salud (EHR), imagen, genómica, proteómica y otros. SK-learn es capaz de consolidar los EHRs de los pacientes, perfiles genéticos e información sobre el estilo de vida para predecir el riesgo de enfermedades asociadas con mayor precisión. Por ejemplo, se utilizó un algoritmo de bosque aleatorio de SK-learn para integrar datos de EHR y así predecir el riesgo de enfermedad cardiovascular. Este enfoque no solo mejoró significativamente la precisión de la predicción del riesgo cardiovascular, sino que también incrementó el número de pacientes que podrían beneficiarse de intervenciones preventivas, minimizando al mismo tiempo tratamientos innecesarios para otros107. Los investigadores han utilizado la biblioteca de aprendizaje automático SK-learn de Python para desarrollar y entrenar cinco modelos de IA distintos: regresión logística, bosque aleatorio, AdaBoost, CATBoost y LightGBM, para predecir desgarros postoperatorios del manguito rotador tras la reparación artroscópica del manguito rotador (ARCR). Los modelos entrenados se aplicaron posteriormente a un conjunto de datos de prueba para su evaluación. Cabe destacar que el modelo LightGBM logró una AUC de 0,87, demostrando su superior rendimiento predictivo a la hora de estimar la probabilidad de re-desgarro tras el ARCR108.

Aunque sklearn se ha utilizado ampliamente en el campo de la predicción médica, actualmente no existe literatura directa sobre su aplicación en la predicción de reacciones adversas a transfusiones. Esta carencia no indica un defecto técnico, sino que pone de manifiesto los desafíos únicos y el potencial no explotado de predecir reacciones adversas a la transfusion.

Los métodos tradicionales para evaluar los riesgos de reacciones adversas por transfusión de sangre se basan principalmente en indicadores clínicos estáticos, análisis retrospectivo del historial médico y cuestionarios de cribado estandarizados, que presentan múltiples limitaciones 109,110,111. Los eventos TAR son extremadamente raros. La incidencia de reacciones transfusionales en la población adulta general es aproximadamente del 2%, lo que resulta en una categoría112 extremadamente desequilibrada. Este desequilibrio hace que los clasificadores estándar prioricen la precisión de la clase mayoritaria sobre la clase minoritaria. Para abordar este problema, el módulo sklearn de aprendizaje desequilibrado, como SMOTE+ENN, proporciona una solución bien establecida para reequilibrar el conjunto de datos. Numerosos factores contribuyen a la aparición de reacciones adversas tras transfusiones de sangre113. SK-learn permite un preprocesamiento efectivo de los datos recogidos, facilitando el análisis posterior. El uso de transformadores de columna para preprocesamiento heterogéneo y la unión de características para la fusión multimodal permite una integración fluida de datosestructurados 114,115. En la toma de decisiones clínicas, la transparencia del modelo es fundamental. SHAP/LIME es compatible con modelos sklearn, incluido TreeExplainer para bosques aleatorios, asegurando el cumplimiento normativo mientras preserva el rendimientopredictivo 116,117.

Para traducir las capacidades discutidas de sklearn en una estrategia tangible para la predicción de TAR, proponemos una cadena práctica de modelado siguiendo la hoja de ruta de aprendizaje automático establecida (Figura 3). Este marco está diseñado para abordar los desafíos específicos de la TAR, como la heterogeneidad de los datos y el desequilibrio extremo de clases.

El desarrollo de un modelo predictivo robusto para las reacciones adversas a la transfusión requiere una cadena analítica de extremo a extremo. Este proceso comienza con la integración y preprocesamiento de datos clínicos multimodales, que abarcan demografía de los pacientes, signos vitales, valores de laboratorio, detalles de transfusiones y características de los donantes. Los tipos de datos heterogéneos se consolidan de forma eficiente utilizando ColumnTransformer de sklearn dentro de una tubería para aplicar el escalado y codificación adecuados, creando un conjunto de datos unificado para su análisis. Un paso crítico posterior implica abordar el profundo desequilibrio de clases inherente a los raros eventos TAR; las etiquetas objetivo, definidas por resultados rigurosamente evaluados, pueden reequilibrarse usando técnicas como SMOTE-ENN de la biblioteca compatible de aprendizaje desequilibrado para evitar sesgos del modelo. Tras la preparación de los datos, se entrenan y evalúan múltiples algoritmos utilizando la API consistente de sklearn, con ajuste y calibración de hiperparámetros realizados mediante GridSearchCV para optimizar el rendimiento y asegurar estimaciones fiables de probabilidad. Para fomentar la confianza clínica y proporcionar conocimientos mecanicistas, las predicciones del modelo se interpretan utilizando herramientas como SHAP, que pueden cuantificar la contribución de características específicas a la puntuación de riesgo de un individuo. La generalizabilidad del modelo se valida rigurosamente mediante técnicas robustas como la validación cruzada anidada en datos de cohortes de pacientes distintas. Finalmente, para una posible traducción clínica, toda la cadena entrenada puede serializarse e integrarse en sistemas electrónicos de historiales médicos, funcionando como una herramienta de apoyo a la decisión en tiempo real que proporciona puntuaciones de riesgo interpretables a los clínicos en el punto de atención.

En esta revisión, comenzamos presentando TAR, resumiendo los modelos TAR existentes, presentando el concepto de aprendizaje automático, destacando las ventajas del aprendizaje automático y debatiendo sus aplicaciones en la predicción de enfermedades. Exploramos además la posible aplicación del aprendizaje automático en TAR, proporcionando directrices para futuros investigadores en el desarrollo de modelos de aprendizaje TAR-SK. Además, profundizamos en el posible papel de SK-learn en la evaluación del riesgo TAR, pero enfatizamos que las limitaciones notables limitan significativamente su aplicación clínica. Los modelos actuales de la TAR se basan predominantemente en conjuntos de datos retrospectivos y monocéntricos, que pueden no captar variaciones regionales en las prácticas transfusionales, características demográficas como diferencias relacionadas con la edad entre poblaciones pediátricas y adultas, o susceptibilidad genética entre poblacionesdiversas 19,26,31,32 . Además, estos modelos integran inadecuadamente los datos de multiómica, incluidos los perfiles de anticuerpos HLA de donantes y la proteómica inflamatoria del receptor, que son fundamentales para comprender mecanismos TAR mediados por el sistema inmunitario como TRALI. Esta limitación restringe su capacidad para diferenciar entre subtipos inmunes y noinmunes 25,40. La interpretabilidad sigue siendo un desafío clave: aunque SK-learn proporciona herramientas como los valores SHAP, si las predicciones algorítmicas, como marcadores genéticos raros, carecen de validación biológica como factores de riesgo, los clínicos pueden mostrarse reacios a adoptar estos modelos, lo que puede provocar una desconexión entre los resultados del aprendizaje automático y la intuiciónclínica 14,50. La implementación práctica también se enfrenta a desafíos, como la necesidad de una infraestructura computacional robusta y el preprocesamiento estandarizado de los datos de historias clínicas electrónicas (EHR), que a menudo no están disponibles en entornos con recursoslimitados 47,87.

Para abordar estas carencias, la investigación futura debería priorizar la recogida prospectiva de datos multicéntricos, como la integración de conjuntos de datos de registros internacionales de TAR, incluyendo el sistema SHOT del Reino Unido y cohortes pediátricas chinas, para reducir el sesgo de selección y mejorar la generalizabilidad del modelo19,36. La incorporación de datos multimodales, incluyendo la secuenciación de ARN unicelular de sangre de donante y marcadores de proteínas inflamatorias, en la cadena SK-learn podría mejorar la clasificación de subtipos TAR, similar a la mejora del 12-24% en la sensibilidad observada en estudios de predicción de resistencia a fármacospara la tuberculosis 73. Colaborar con inmunólogos para validar mecanismos, como vincular características de riesgo identificadas por SK-learn —combinaciones específicas de anticuerpos HLA— con ensayos de activación de complemento in vitro, puede tender un puente entre las predicciones algorítmicas y los mecanismos biológicos22,24. El desarrollo de herramientas de apoyo a la decisión clínica fáciles de usar capaces de extraer automáticamente características en tiempo real de los EHR, como el volumen de transfusión y los niveles de BNP, y proporcionar puntuaciones de riesgo interpretables junto con criterios diagnósticos tradicionales, es esencial para una integración fluida en los flujos de trabajoclínicos 97,107.

En comparación con los modelos tradicionales TAR, como la correspondencia ABO/Rh y las puntuaciones TRACK, SK-learn tiene ventajas significativas. Por ejemplo, algoritmos de conjunto como LightGBM destacan en modelar interacciones no lineales entre factores de riesgo, como anticuerpos anti-HLA de donantes y niveles de IL-6 en receptores, lo que resulta en un aumento del 12-24% en la sensibilidad en estudios de predicción de resistencia a antibióticos. Las herramientas de priorización de características basadas en datos, como la importancia de las características por permutación, pueden identificar indicadores de riesgo novedosos, incluyendo la duración del almacenamiento sanguíneo y complicaciones no detectadas, más allá del conocimiento clínicopredefinido 45,93. Además, su arquitectura de código abierto y sus requisitos computacionales moderados lo hacen aplicable en entornos con recursos limitados, a diferencia de los frameworks de aprendizajeprofundo 69,93.

Para traducir este potencial en impacto clínico, el trabajo futuro debe centrarse en varias áreas clave. En primer lugar, la recogida prospectiva y multicéntrica de datos es esencial para superar el sesgo de selección y mejorar la generalizabilidad del modelo entre poblaciones diversas. En segundo lugar, integrar datos multimodales (por ejemplo, perfiles de anticuerpos de donantes, marcadores inflamatorios del receptor) proporcionará un conjunto de características más completo, permitiendo a los modelos sklearn distinguir mejor entre subtipos TAR y capturar interacciones de riesgo complejas. En tercer lugar, la validación biológica de las características de riesgo identificadas por algoritmos (por ejemplo, vincular anticuerpos HLA específicos con ensayos in vitro) es crucial para tender puentes entre la predicción estadística y la comprensión mecanicista, generando así confianza clínica. Por último, desarrollar herramientas clínicas fáciles de usar e interpretables que proporcionen puntuaciones de riesgo en tiempo real facilitará la integración fluida de estos modelos en el flujo de trabajo rutinario, cambiando el paradigma de la gestión de reacciones a la prevención preventiva.

En conclusión, esta revisión subraya el potencial transformador de SK-learn en la evaluación del riesgo de transfusiones de sangre, abordando las limitaciones de los métodos tradicionales basados en reglas. Al integrar datos clínicos complejos, priorizar características de riesgo y proporcionar predicciones interpretables, SK-learn sirve como piedra angular para la medicina de transfusiones de precisión. Sin embargo, realizar este potencial requiere colaboración interdisciplinar, validación multicéntrica a gran escala de modelos SK-learn, integración de datos multiómicos y clínicos en tiempo real, y el desarrollo de herramientas amigables para clínicos que conecten los conocimientos algorítmicos con mecanismos biológicos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Conclusiones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
Figura 1: Ilustración de las categorías TAR y el modelo actual de evaluación de riesgos combinado con las posibles estrategias de SK-learn en la evaluación de riesgos TAR. (A) La RAT puede dividirse en dos tipos: reacciones mediadas por el sistema inmunitario y reacciones no mediadas por el sistema inmune. (...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores declaran que no tienen intereses en competencia.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabajo fue apoyado por la Oficina de Ciencia y Tecnología de Luzhou, Nº 2024JYJ034, Título: Efectos de la irradiación y el tiempo de almacenamiento en las vesículas extracelulares en concentrados de plaquetas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Medicina de precisi ntransfusi n sangu neamodelos de predicci n cl nicainterpretabilidad de modelospredicci n de riesgos m dicosheterogeneidad de datos

Artículos relacionados