Sistema inteligente de preselección para ensayos clínicos en Colitis Ulcerosa
Descripción general:
Este proyecto presenta un sistema inteligente de preselección basado en Machine Learning diseñado para optimizar el reclutamiento de pacientes con Colitis Ulcerosa. El sistema utiliza datos clínicos y biomarcadores como calprotectina fecal, proteína C reactiva (PCR) y presencia de sangrado rectal para identificar candidatos con alta probabilidad de cumplir los criterios de inclusión en estudios clínicos. Esto permite reducir significativamente los costos y el tiempo del proceso de screening.
Metodología:
Se utilizó el Gastrointestinal Disease Dataset (Kaggle) con aproximadamente 3.000 registros clínicos, empleando técnicas de aprendizaje automático para entrenar un modelo predictivo denominado Score Predictivo CECS.
El modelo evalúa variables clínicas clave y otorga una puntuación (0–100%). Aquellos pacientes con Score ≥ 75% se consideran de alta prioridad y son derivados a evaluación médica.
Principales resultados:
PCR promedio en Colitis Ulcerosa: 21.8 mg/L.
Calprotectina fecal promedio: 349 µg/g.
Presencia de sangrado rectal: 90.1%.
Proporción de pacientes con Colitis Ulcerosa en la muestra: 20.3%.
Efectividad del sistema en priorización: 95–100%.
Conclusiones:
El modelo propuesto permite:
Priorizar pacientes con alta probabilidad de inclusión en ensayos clínicos.
Reducir el número de visitas de screening no válidas.
Mejorar la calidad de la muestra clínica y acelerar el proceso de selección.
Aplicaciones futuras:
Este sistema puede adaptarse a otras enfermedades inflamatorias intestinales o condiciones donde los biomarcadores sean determinantes. Representa un avance hacia una medicina más eficiente, personalizada y basada en datos.
