Desarrollamos y evaluamos internamente un modelo TabTransformer basado en la atención para la clasificación hospitalaria de la osteoporosis en adultos sometidos a procedimientos neuroquirúrgicos de columna, utilizando datos clínicos de Medical Information Mart para cuidados intensivos IV recogidos rutinariamente.
Artículo de investigación
Clasificación hospitalaria de osteoporosis basada en TabTransformer en adultos sometidos a procedimientos neuroquirúrgicos de columna
* These authors contributed equally
En este artículo
Resumen
Resumen
El objetivo era desarrollar y evaluar internamente un modelo de aprendizaje profundo para la clasificación hospitalaria de la osteoporosis entre adultos sometidos a procedimientos neuroquirúrgicos de columna, utilizando datos clínicos tabulares recogidos rutinariamente. Este estudio retrospectivo utilizó la base de datos Medical Information Mart for Intensive Care IV (MIMIC-IV) para identificar pacientes adultos que se sometieron a procedimientos neuroquirúrgicos de columna. La osteoporosis se definió mediante los códigos de diagnóstico ICD-9/10 registrados durante el ingreso índice. Se utilizaron características demográficas, registros de medicación, mediciones de laboratorio y signos vitales de la misma hospitalización para el desarrollo del modelo. Tras la división estratificada en conjuntos de entrenamiento, validación y prueba, el desequilibrio de clases solo se abordó en el conjunto de entrenamiento. Se desarrolló un modelo basado en TabTransformer, que se comparó con XGBoost, LSTM_Attention y Redes Convolucionales Temporales (TCN). La interpretabilidad del modelo se evaluó utilizando las explicaciones aditivas SHapley (SHAP). En el conjunto de pruebas extendido, TabTransformer logró el mejor rendimiento global, con un área bajo la curva característica de funcionamiento del receptor (AUC) de 0,953 y una precisión media (AP) de 0,799. Los valores correspondientes para TCN, XGBoost y LSTM_Attention fueron 0,937/0,707, 0,857/0,303 y 0,755/0,179, respectivamente. El análisis SHAP identificó la edad, el sexo, la creatinina, el ancho de distribución de los glóbulos rojos, el bicarbonato, el fosfato, los neutrófilos y varias variables relacionadas con medicamentos como contribuyentes influyentes en la producción del modelo. En esta cohorte retrospectiva de un solo centro, el modelo TabTransformer mostró un fuerte desempeño discriminativo para la clasificación hospitalaria de la osteoporosis y proporcionó asociaciones interpretables a nivel de características mediante SHAP. Dado que los predictores y los resultados se definieron dentro de la misma hospitalización, este marco debe interpretarse como un modelo de clasificación exploratoria validado internamente en lugar de una herramienta explícita temporalmente explícita de predicción de riesgos futuros.
Introducción
La osteoporosis (OP) es una afección ósea generalizada caracterizada por una disminución de la densidad mineral ósea y una degradación estructural del tejido óseo, lo que conduce a un aumento de la fragilidad ósea y a una mayor probabilidad defracturas. Sigue representando una preocupación significativa para la salud pública, especialmente entre personas mayores y mujeresposmenopáusicas 2. En pacientes hospitalizados que se someten a procedimientos neuroquirúrgicos de columna, la salud ósea puede verse afectada por una movilidad reducida, respuestas al estrés sistémico, exposición a medicamentos y alteraciones en la homeostasis metabólica durante el ingreso índice. La evidencia previa de condiciones neurológicas y lesiones medulares sugiere que la inmovilización y la enfermedad sistémica pueden contribuir a una pérdida óseaacelerada 3,4, aunque las señales relacionadas con la osteoporosis en este contexto clínico específico siguen siendo insuficientemente caracterizadas.
Los datos electrónicos de historiales médicos recogidos habitualmente ofrecen la oportunidad de examinar los patrones relacionados con la osteoporosis en esta población utilizando variables ya disponibles durante la atención rutinaria, como características demográficas, registros de medicación, análisis de laboratorio y signos vitales. Algunas variables relacionadas con el cuidado (por ejemplo, patrones de uso de medicación) también pueden actuar como intermediarios indirectos del estado funcional o la movilidad. Sin embargo, relativamente pocos estudios se han centrado en adultos que se someten a procedimientos neuroquirúrgicos de columna utilizando datos clínicos estructurados en la tábula. Además, la base de datos Medical Information Mart for Intensive Care IV (MIMIC-IV) representa una gran cohorte retrospectiva de UCI de un único centro terciario en lugar de una población multicéntrica ampliamente representativa. Por lo tanto, los análisis basados en este recurso deben interpretarse dentro del ámbito de la validación interna y la modelización clínica exploratoria. Estudios recientes de aprendizaje automático han mejorado la modelización de riesgos relacionados con la osteoporosis integrando biomarcadores con variables clínicas, pero este trabajo se ha realizado principalmente en poblaciones noneuroquirúrgicas 5.
Los métodos de aprendizaje automático se utilizan cada vez más para analizar datos clínicos tabulares de alta dimensión, especialmente cuando pueden existir interacciones complejas y no lineales entre variables heterogéneas. Entre estos enfoques, la arquitectura TabTransformer es muy adecuada para entradas tabulares mixtas porque puede modelar relaciones contextuales entre características mediante la autoatención, preservando la flexibilidad tanto para variables categóricas comonuméricas 6. Cuando se combinan con SHapley Aditivive ExPlanations (SHAP), estos modelos también pueden proporcionar una descripción interpretable de las contribuciones de características, permitiendo una evaluación exploratoria de cómo variables demográficas, de laboratorio, fisiológicas y relacionadas con medicamentos están asociadas con la salida del modelo.
Por ello, en este estudio utilizamos datos MIMIC-IV para desarrollar y evaluar internamente un modelo TabTransformer basado en la atención para la identificación hospitalaria de osteoporosis en adultos que se sometieron a procedimientos neuroquirúrgicos de columna durante el ingreso índice. Utilizando variables demográficas junto con características agregadas de medicación, laboratorio y signos vitales a nivel de admisión, comparamos el modelo TabTransformer con varios modelos de referencia y examinamos las características más influyentes mediante interpretación basada en SHAP. Dado que tanto los predictores como el resultado se definieron dentro de la misma hospitalización, este análisis representa un marco de clasificación hospitalaria concurrente en lugar de un modelo de predicción de riesgo futuro temporalmente explícito. Por tanto, este trabajo está pensado como un análisis exploratorio y validado internamente en una cohorte retrospectiva de UCI monocéntrica.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Fuente de datos
Este estudio fue un análisis retrospectivo basado en la base de datos Medical Information Mart for Intensive Care IV (MIMIC-IV, versión 3.1), una base de datos pública de cuidados críticos alojada en PhysioNet (https://physionet.org/content/mimiciv/3.1/). La base de datos fue desarrollada mediante una colaboración entre el Laboratorio de Fisiología Computacional del Instituto Tecnológico de Massachusetts, el Beth Israel Deaconess Medical Center y Philips, y contiene datos clínicos completos y desidentificados, incluyendo información demográfica, signos vitales, mediciones de laboratorio e informes de medicación.
Todos los datos de pacientes en MIMIC-IV están completamente desidentificados conforme a la Ley de Portabilidad y Responsabilidad de Seguros de Salud (HIPAA), por lo que este estudio no requirió la aprobación de la junta de revisión institucional (IRB). El uso de la base de datos está regulado por un acuerdo de uso de datos (DUA), y el acceso solo se concede a usuarios autorizados que hayan completado la formación y certificación requeridas. Los autores completaron la formación necesaria y obtuvieron las credenciales de acceso (usuario acreditado por PhysioNet) y realizaron este estudio en cumplimiento de todas las normativas relevantes sobre el uso de datos.
Estudio de población y extracción de datos
Los pacientes adultos (≥18 años) que se sometieron a procedimientos neuroquirúrgicos de columna fueron identificados a partir de la base de datos MIMIC-IV utilizando códigos CIE relacionados con procedimientos. Los procedimientos neuroquirúrgicos espinales se definieron como códigos CIE-9 que comenzan por 03 (operaciones en la médula espinal y el canal espinal) y códigos CIE-10 que comenzan con 00B, 00H, 00J, 00N, 00P, 00Q, 00R, 00S, 00T o 00U (procedimientos relacionados con la médula espinal). Para los pacientes con múltiples ingresos hospitalarios, solo se mantuvo la primera admisión que contenía un procedimiento que calificaba para evitar mediciones repetidas por parte del mismo individuo.
La variable de resultado, osteoporosis, se definió en base a los códigos CIE-9 que comenzaban con 733 y los códigos CIE-10 que comenzaban con M80, M81 o M82 registrados durante la admisión del índice. Dado que tanto los predictores como el resultado se derivaron de la misma hospitalización, la tarea analítica en este estudio se enmarcó como una clasificación hospitalaria en lugar de una predicción prospectiva de riesgo.
Un total de 10.803 pacientes cumplieron los criterios de inclusión. Tras la división estratificada, el conjunto de datos se dividió en un conjunto de entrenamiento (n = 7.561), un conjunto de validación (n = 1.621) y un conjunto de prueba (n = 1.621). La distribución de clases era muy desequilibrada en todas las particiones. En el conjunto de entrenamiento, 499 pacientes (6,60%) fueron positivos para osteoporosis y 7.062 (93,40%) para osteoporosis negativa. En el conjunto de validación, 107 pacientes (6,60%) fueron positivos y 1.514 (93,40%) negativos. El conjunto de pruebas mostró la misma distribución, con 107 casos positivos (6,60%) y 1.514 negativos (93,40%).
Los datos clínicos se extrajeron utilizando software de gestión de bases de datos relacional de MIMIC-IV. Las variables extraídas incluyeron características demográficas (por ejemplo, edad y sexo), mediciones de laboratorio, signos vitales y registros de medicación. Para cada paciente, se utilizaron datos del ingreso índice para la construcción posterior de características.
Para asegurar una evaluación válida del modelo, el conjunto de datos se dividió primero en conjuntos de entrenamiento, validación y prueba utilizando muestreo estratificado (70%, 15% y 15%)3,7. Todos los pasos posteriores de preprocesamiento que pudieran introducir sesgo, incluyendo la selección de características y el remuestreo, se realizaron exclusivamente dentro del conjunto de entrenamiento. El desequilibrio de clases en el conjunto de entrenamiento se abordó mediante una combinación de reducción de muestreo de la clase mayoritaria y la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE), mientras que los conjuntos de validación y prueba mantuvieron la distribución original de clases para reflejar la prevalencia real.
Ingeniería de características
Se implementó una cadena de ingeniería de características en varias etapas para mejorar el rendimiento del modelo manteniendo la interpretabilidad. Para cada paciente, los registros de medicación, laboratorio y signos vitales del ingreso índice se agregaron en características a nivel resumen (por ejemplo, valores medios para mediciones repetidas y exposición media para medicamentos).
Para reducir la escasez de características, se excluyeron grupos candidatos con valores faltantes de más del 30%. Para evitar fugas de datos, este paso de filtrado se realizó exclusivamente usando el conjunto de entrenamiento, y el mismo conjunto de características se aplicó a los conjuntos de validación y prueba.
Posteriormente, se realizó un cribado de características univariadas a nivel de grupo de características utilizando la prueba U de Mann–Whitney para comparar las distribuciones entre pacientes positivos y negativos para osteoporosis. Los grupos de características se clasificaron según la significación estadística, y los grupos top-k (k = 20) se mantuvieron para la modelización posterior. Este procedimiento de selección también se realizó exclusivamente dentro del conjunto de entrenamiento para evitar fugas de información.
Dado el grado relativamente alto de ausencia entre los grupos de características candidatas, el papel principal de este paso de selección top-k era filtrar características con señales estadísticas débiles en lugar de optimizar estrictamente la dimensionalidad de las características. En la práctica, el rendimiento del modelo no fue muy sensible al valor exacto de k dentro de un rango razonable, lo que sugiere que este paso sirvió principalmente como un procedimiento de cribado orientado a la robustez para excluir características poco informativas y preservar señales clínicamente relevantes.
Se mantuvieron características demográficas básicas en todos los modelos. Los valores ausentes en estas variables demográficas se imputaron utilizando el valor medio calculado a partir del conjunto de entrenamiento. La imputación de medias fue elegida por su simplicidad y estabilidad en este gran conjunto de datos, aunque puede reducir la varianza e introducir sesgo; Se reconoce esta limitación.
Para características seleccionadas de medicamentos, laboratorio y signos vitales, la ausencia de una medición o exposición registrada se codificaba como cero para permitir una entrada numérica consistente para el entrenamiento del modelo. Reconocemos que este enfoque puede confundir valores verdaderos de cero con ausencia o no exposición, especialmente para variables donde cero no tiene significado fisiológico. Sin embargo, esta estrategia de codificación se aplicó de forma consistente en todas las muestras y fue seguida por la estandarización Z-score, que mitiga la distorsión relacionada con la escala. El posible impacto de esta suposición se discute como una limitación.
Todas las características numéricas se estandarizaron mediante la normalización de puntuaciones Z basada en la media y desviación estándar estimadas del conjunto de entrenamiento:
z = (x — μ)/σ
Donde x representa el valor bruto de la característica, y μ y σ denotan la media y la desviación estándar calculadas respecto al conjunto de entrenamiento. Las variables categóricas se codificaban numéricamente para cumplir con los requisitos de entrada de los modelos de aprendizaje profundo.
Esta estrategia de ingeniería de características permitió una reducción sistemática de la dimensionalidad mientras se preservaban dominios clínicamente relevantes, incluyendo demografía, función renal, índices hematológicos, marcadores inflamatorios y parámetros metabólicos. Las características de referencia detalladas de la población del estudio en los conjuntos de entrenamiento, validación y prueba se presentan en la Tabla 1.
| Características | Total | Conjunto de entrenamiento | Conjunto de validación | Conjunto de pruebas | Valor P |
| (n=5238) | (n=1996) | (n=1621) | (n=1621) | ||
| Género | <0,001 | ||||
| Masculino | 2477 (47.29%) | 834 (41.78%) | 797 (49.17%) | 846 (52.19%) | |
| Femenino | 2761 (52.71%) | 1162 (58.22%) | 824 (50.83%) | 775 (47.81%) | |
| Edad | 60.69 (48.29, 70.61) | 63.45 (52.00, 72.41) | 58.00 (46.00, 69.00) | 60.00 (46.00, 70.00) | <0,001 |
| Altura | 165.23 (160.79, 171.21) | 164.25(161.41, 172.23) | 166.32 (161.85, 171.22) | 165.22 (161.31, 169.89) | <0,001 |
| Peso | 72.01 (56.77, 82.46) | 75.45 (63.22, 81.45) | 70.55 (60.22, 79.33) | 73.62 (65.22, 81.88) | <0,001 |
| Senna | 1.00 (-0.73, 8.60) | 1.00 (-0.30, 8.60) | 1.00 (-1.00, 8.60) | 1.00 (-1.00, 8.60) | <0,001 |
| Docusato Sódico | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 0.001 |
| Heparina | 5000.00 (1655.28, 5000.00) | 5000.00 (-1.00, 5000.00) | 5000.00 (1600.00, 5000.00) | 5000.00 (3750.00, 5000.00) | 0.292 |
| Lavado con cloruro de sodio al 0,9% | 3.00 (1.76, 3.00) | 3.00 (3.00, 3.00) | 3.00 (-1.00, 3.00) | 3.00 (3.00, 3.00) | <0,001 |
| Glóbulos rojos | 3.96 (3.51, 4.35) | 3.90 (3.49, 4.28) | 4.02 (3.53, 4.40) | 3.97 (3.50, 4.38) | <0,001 |
| Hemoglobina | 11.81 (10.51, 13.02) | 11.66 (10.47, 12.82) | 11.91 (10.58, 13.14) | 11.90 (10.49, 13.15) | <0,001 |
| RDW | 13.98 (13.22, 15.15) | 14.12 (13.35, 15.24) | 13.90 (13.10, 15.06) | 13.90 (13.18, 15.13) | <0,001 |
| Hematócrito | 35.67 (31.95, 39.00) | 35.32 (31.63, 38.50) | 36.00 (32.28, 39.37) | 35.77 (32.01, 39.25) | <0,001 |
| Gravedad específica | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | <0,001 |
| Bicarbonato | 25.72 (24.04, 27.15) | 25.86 (24.17, 27.27) | 25.65 (23.92, 27.03) | 25.62 (24.00, 27.12) | <0,001 |
| Neutrófilos | 68.67 (60.52, 76.23) | 69.41 (61.90, 76.52) | 68.10 (59.60, 75.88) | 68.34 (59.75, 76.23) | <0,001 |
| Creatinina | 0.82 (0.68, 1.02) | 0.81 (0.68, 1.00) | 0.83 (0.69, 1.02) | 0.83 (0.68, 1.03) | <0,001 |
| Fosfato | 3.29 (2.92, 3.64) | 3.27 (2.93, 3.57) | 3.30 (2.93, 3.69) | 3.30 (2.90, 3.65) | 0.002 |
| Nitrógeno ureico | 15.43 (12.08, 20.18) | 15.74 (12.50, 20.20) | 15.00 (11.64, 19.89) | 15.48 (12.00, 20.43) | <0,001 |
| Linfocitos | 19.12 (12.22, 26.15) | 18.81 (12.49, 25.30) | 19.36 (12.40, 27.07) | 19.24 (11.72, 26.27) | 0.001 |
| Alanina Aminotransferasa (ALT) | 20.49 (10.84, 32.82) | 20.47 (11.67, 32.06) | 20.00 (10.00, 32.93) | 21.00 (10.67, 33.67) | 0.3283 |
| MCV | 90.90 (87.50, 94.32) | 91.03 (87.64, 94.51) | 90.64 (87.43, 94.00) | 91.00 (87.40, 94.40) | <0,001 |
| MCHC | 33.14 (32.37, 33.92) | 33.11 (32.37, 33.88) | 33.16 (32.38, 33.97) | 33.16 (32.35, 33.93) | <0,001 |
| Basófilos | 0.42 (0.27, 0.61) | 0.41 (0.27, 0.59) | 0.45 (0.29, 0.63) | 0.41 (0.26, 0.60) | 0.037 |
Tabla 1. Características de referencia de la población del estudio estratificadas por conjuntos de entrenamiento, validación y prueba.
Arquitectura del modelo
Para modelar relaciones complejas entre características clínicas tabulares heterogéneas, empleamos una arquitectura basada en TabTransformer implementada usando el frameworkPyTorch 6. El modelo fue diseñado para procesar tanto variables categóricas como numéricas y para capturar interacciones contextuales entre características mediante un mecanismo de autoatención.
Representación de entrada
Las variables categóricas se transformaron primero en incrustaciones densas. Cada rasgo categórico se mapeaba a un vector de incrustación de dimensión d(embedding_dim = 256). Las características numéricas se estandarizaron mediante la normalización Z-score y luego se proyectaron en el mismo espacio de incrustación mediante una capa de transformación lineal, permitiendo el procesamiento conjunto con características categóricas.
Los vectores de características incrustados se concatenaron para formar una secuencia de tokens:
X = [x 1,x 2,... xn]
donde cada xi ∈ Rd representa una característica incrustada.
Codificador de transformador
Las incrustaciones de características concatenadas pasaban a través de una pila de capas de codificadores Transformer (num_layers = 3). Cada capa consistía en una autoatención multi-cabeza seguida de una red de avance de alimentación por posición.
El mecanismo de autoatención multicabeza se define como:
—> Atención(Q,K,V) = softmax 
V
Donde Q, K y V denotan matrices de consulta, clave y valor. Se utilizaron múltiples cabezas de atención (num_heads = 8) para capturar diversas interacciones de características.
Cada bloque de transformador incluía autoatención multicabezal, conexión residual y normalización de capas, red de avance de alimentación, caída (tasa = 0,243).
Agregación y clasificación de características
La salida de la capa final del Transformer se aplanaba y pasaba por un perceptrón multicapa (MLP) para su clasificación. La MLP consistía en una o más capas completamente conectadas con funciones de activación no lineales.
La capa final de salida utilizó una función de activación sigmoide para producir la probabilidad predicha de osteoporosis:
—> 
= σ(z)
Donde z es la salida logit.
Función de pérdida y estrategia de entrenamiento
El modelo se entrenó utilizando la pérdida binaria de entropía cruzada:
—> L = −(1/N) Σ [ yi log(ŷi) + (1 −y i) log(1 − ŷi) ]
Donde yi denota la etiqueta verdadera y i la probabilidad predicha.
El modelo se optimizó usando el optimizador Adam (tasa de aprendizaje = 1,9e-4, tamaño de lote = 64) para 100 épocas. Se aplicó una parada temprana basada en el rendimiento de validación (paciencia = 15) para evitar el sobreajuste. Para apoyar la reproducibilidad, todos los procedimientos experimentales se realizaron utilizando una semilla aleatoria constante (semilla = 42).
Interpretabilidad del modelo
Para mejorar la interpretabilidad, se aplicaron SHapley Additives ExPlanations (SHAP) al modelo entrenado. Los valores de SHAP se calcularon en el conjunto de pruebas para cuantificar la contribución de cada característica al resultado predicho, permitiendo tanto la interpretación global como individual del comportamiento del modelo.
Como se ilustra en la Figura 1, el flujo de trabajo resume el proceso desde el preprocesamiento de datos MIMIC-IV hasta la construcción y clasificación del modelo. La arquitectura TabTransformer captura interacciones entre características tabulares heterogéneas mediante la autoatención, mientras que la visualización basada en SHAP proporciona información interpretable sobre las contribuciones de las características. Este marco permite un análisis internamente validado de los patrones relacionados con la osteoporosis en una cohorte neuroquirúrgica espinal heterogénea.
Figura 1. Estudia el flujo de trabajo y la arquitectura de modelos. Esta figura ilustra el diseño general del estudio, incluyendo la selección de cohortes, el preprocesamiento de datos, la ingeniería de características, la división de conjuntos de datos y el desarrollo de modelos. También resume la arquitectura TabTransformer utilizada para la clasificación, incluyendo incrustación de características, capas de codificadores Transformer y salida final de clasificación. Solo se incluyó la primera admisión que cumpliera los requisitos por paciente. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Comparación de rendimiento de modelos
Comparamos el modelo propuesto de TabTransformer con tres modelos base (XGBoost, LSTM con atención y Redes Convolucionales Temporales [TCN]) en el conjunto de pruebas extendido. Como se muestra en la Figura 2, TabTransformer logró el mayor rendimiento discriminativo con un AUC de 0,953 (IC 95%: 0,924–0,977), seguido por TCN (AUC = 0,937, IC 95%: 0,903–0,967), XGBoost (AUC = 0,857, IC 95%: 0,821–0,890)...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
En este estudio, desarrollamos un modelo TabTransformer basado en la atención para la clasificación hospitalaria de la osteoporosis en adultos sometidos a procedimientos neuroquirúrgicos de columna y utilizamos SHapley Additives ExPlanations (SHAP) para explorar las principales variables que impulsan la salida del modelo (Figura 5 y Figura 6). Los resultados de SHAP sugieren que la edad fue el principal contribuyente, seguida de...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen conflictos de interés que declarar.
Agradecimientos
Los autores agradecen con gratitud el apoyo financiero del Programa de Ciencia y Tecnología Guía de la Ciudad de Suqian (Subvención nº Z202342).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Optimizador Adam | PyTorch | Incluido en PyTorch | Utilizado para el entrenamiento de TabTransformer |
| Jupyter Notebook | Project Jupyter | Última versión disponible | Utilizado para el desarrollo de modelos y el flujo de trabajo de análisis |
| Base de datos MIMIC-IV | PhysioNet | versión 3.1; https://physionet.org/content/mimiciv/3.1/ | Base de datos pública de cuidados críticos sin identificar |
| Python | Python Software Foundation | Última versión disponible | Entorno de programación principal |
| PyTorch | PyTorch Foundation | Última versión disponible | Marco de aprendizaje profundo utilizado para implementar TabTransformer |
| Software de gestión de bases de datos relacionales | Navicat | versión 17.0; https://www.navicat.com.cn/ | Utilizado para la extracción de datos de MIMIC-IV |
| scikit-learn | Desarrolladores de scikit-learn | Última versión disponible | Utilizado para preprocesamiento, división de datos y modelos base |
| SHAP | Desarrolladores de SHAP | Última versión disponible | Utilizado para el análisis de interpretabilidad de modelos |
| SMOTE | imbalanced-learn | Última versión disponible | Utilizado para el sobremuestreo de clases minoritarias en el conjunto de entrenamiento |
| XGBoost | Desarrolladores de XGBoost | Última versión disponible | Modelo de comparación base |
Referencias
- Rachner, T. D., Khosla, S., Hofbauer, L. C. Osteoporosis: now and the future. Lancet. 377 (9773), 1276-1287 (2011).
- Khosla, S., Hofbauer, L. C. Osteoporosis treatment: recent developments and ongoing challenges. Lancet Diabetes Endocrinol. 5 (11), 898-907 (2017).
- Jiang, S. D., Dai, L. Y., Jiang, L. S. Osteoporosis after spinal cord injury. Osteoporos Int. 17 (2), 180-192 (2006).
- Kivrak, M., et al. The impact of the SMOTE method on machine learning and ensemble learning performance results in addressing class imbalance in data used for predicting total testosterone deficiency in type 2 diabetes patients. Diagnostics (Basel). 14 (23), 2634 (2024).
- Carvalho, F. R., Gavaia, P. J. Enhancing osteoporosis risk prediction using machine learning: a holistic approach integrating biomarkers and clinical data. Comput Biol Med. 192, 110289 (2025).
- Huang, X., Khetan, A., Cvitkovic, M., Karnin, Z. TabTransformer: tabular data modeling using contextual embeddings. arXiv. , (2020).
- Kapila, A., Takkar, A. Neurological disorders, corticosteroids, and fracture risk: hiding in the hindsight!. J Postgrad Med Educ Res. 56 (2), 61-62 (2022).
- Battaglino, R. A., Lazzari, A. A., Garshick, E., Morse, L. R. Spinal cord injury-induced osteoporosis: pathogenesis and emerging therapies. Curr Osteoporos Rep. 10 (4), 278-285 (2012).
- Landi, F., Liperoti, R., Russo, A., Giovannini, S., et al. Sarcopenia as a risk factor for falls in elderly individuals: results from the ilSIRENTE study. Clin Nutr. 31 (5), 652-658 (2012).
- Romagnani, P., et al. Chronic kidney disease. Nat Rev Dis Primers. 11 (1), 8 (2025).
- Liu, S., Liang, R. Synergistic impact of immuno-nutritional and hypoxia-metabolic disturbances on post-stroke epilepsy: a “two-hit” prediction model and web-based risk calculator. Front Nutr. 13, 1759899 (2026).
- Liu, S., Zhou, J. Trends and development of enhanced recovery after surgery programs in cranial and spinal neurosurgery. Neurochirurgie. 71 (5), 101704 (2025).
- Carvalho, F. R., Gavaia, P. J., Brito Camacho, A. OrthoMortPred: predicting one-year mortality following orthopedic hospitalization. Int J Med Inform. 192, 105657 (2024).
- Liu, S., Liang, R. Risk stratification for intracranial infection after high-grade gliomas surgery: a nomogram development and validation study. Front Oncol. 15, 1697966 (2025).
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