Development and Internal Validation of an Automated Machine Learning Model for Predicting Functional Outcome (FMA) in Stroke Rehabilitation.

Abstract

Introducción.

El accidente cerebrovascular (ACV) es una de las principales causas de discapacidad y mortalidad generando secuelas que afectan la calidad de vida e integración social de los sobrevivientes. La evaluación funcional mediante instrumentos validados permite identificar alteraciones, estimar pronóstico y orientar estrategias de rehabilitación.

La escala de Fugl-Meyer (FMA) constituye el estándar de referencia para valorar el deterioro sensoriomotor posterior al ACV; sin embargo, su aplicación completa requiere tiempo considerable, lo que limita su uso en entornos de alta demanda asistencial. Por ello, es necesario desarrollar herramientas de aprendizaje automático basadas en variables clínicas y sociodemográficas accesibles para estimar el puntaje FMA y optimizar la rehabilitación individualizada.

Objetivo

Desarrollar y validar internamente modelo automatizado de aprendizaje automático confiable, basada en algoritmos de aprendizaje automático que permitan estimar el puntaje total de FMA en pacientes con ACV subagudo o crónica a partir de variables clínicas y sociodemográficas disponibles en la práctica habitual del Instituto Nacional de Rehabilitación Luis Guillermo Ibarra Ibarra (INRLGII).

Metodología

Estudio observacional, analítico y longitudinal basado en expedientes electrónicos de pacientes con ACV isquémico, hemorrágico o mixto atendidos en Rehabilitación Neurológica del INRLGII entre enero de 2018 y marzo de 2024. Se analizaron 11 variables demográficas y clínicas.

El proceso comprendió 4 fases: fase 1, preparación de datos; fase 2, división de muestra usando proporciones 70/15/15; fase 3, modelado mediante siete algoritmos (Linear, Ridge, Lasso, ElasticNet, Decision Tree, BaggedTrees y GrandientBoosting,); y fase 4, evaluación de resultados. Protocolo con aprobación de comité de ética e investigación institucional INRLGII 56/15.

Resultados

Se incluyeron 549 de 730 pacientes con diagnóstico de ACV atendidos entre 2018 - 2024 (75.2%). La edad media fue de 66.0 ± 15.8 años; 55.4% correspondió al sexo masculino y 69.9% presentó ACV isquémico. La puntuación media basal de la escala FMA fue de 137.0 ± 63.4 puntos.

Los datos faltantes se observaron en NIHSS (28.4%), índice de Barthel (30.2%) y comorbilidades (30.2–30.8%); su abordaje se realizó mediante imputación múltiple (MICE) con 10 conjuntos de datos imputados.

La cohorte se dividió en entrenamiento (n = 383), validación (n = 83) y prueba (n = 83). El modelo BaggedTrees presentó mejor desempeño para la estimación del puntaje FMA, con 6.62 RMSE en el conjunto de prueba, 15.93 en validación cruzada (k=5), y un mayor coeficiente de determinación (R² = 0.991) en comparación con los modelos alternativos evaluados. La estabilidad se confirmó mediante Bootstrap (B=200); el análisis de residuos evidenció ausencia de sesgo (media=-0.06; DE=6.45), normalidad y homocedasticidad (p>0.05), sin embargo, se observaron diferencias de desempeño en mujeres y pacientes con ACV hemorrágico.

Conclusiones

Aunque el modelo BaggedTrees mostró un desempeño favorable para pronosticar puntaje posterior de FMA en pacientes con ACV utilizando variables clínicas accesibles, son necesarios estudios adicionales que incluyan cohortes independientes, procesos de calibración y validación externa antes de su implementación clínica. Una vez optimizado esperamos que este modelo pueda constituir una herramienta útil para estimar el pronóstico funcional y apoyar la planificación individualizada de estrategias de rehabilitación.