Modelo de red neuronal artificial entrenada con datos demograficas, antropometricos y den-sitometricos para estimar la probabilidad de fractura por desuso en mujeres post-menopausicas

SERGIO LUSCHER; CARLOS CURE CURE; JOSÉ LUIS FERRETTI; GUSTAVO ROBERTO COINTRY; RICARDO FRANCISCO CAPOZZA

Buenos Aires

Congreso; 5to CONGRESO ARGENTINO DE OSTEOLOGIA 2020; 2022

AAOMM

Hemos demostrado que un bajo cociente CMO/masa magra (MM, DEXA) con bajos valores de am- bos indicadores se asocia con una mayor incidencia de fracturas osteoporóticas en mujeres post-MP [Menopause, 2008]. Para reforzar esa hipótesis, desarrollamos y validamos un modelo de red neuronal original (ANN) para evaluar mujeres post-MP, ingresando a la misma valores demográficos, antropométri- cos, densitómetros, y su condición fracturada o no, para entrenarla para establecer la probabilidad de un individuo dado de pertenecer o no al grupo fracturado. La muestra comprendió 478 mujeres post-MP de 62.5±8.6 años (rango 32-93 años) seleccionadas aleatoriamente entre 1960 casos, divididas en 2 grupos iguales (n=239): uno con fracturas de tipo osteoporótico no provocadas por traumas importantes (FxOP), y otro sin fracturas (NoFx), divididas en 334 para el set de entrenamiento, 72 para el de validación, y 72 para el de testeo. Las variables ingresadas a la ANN fueron: edad, peso, talla, índice de masa corporal (IMC), y MM y CMO de miembros superiores e inferiores, tronco, y cuerpo total. La variable ‘resultado de la ANN’ fue dicotómica: ‘0’ para las NoFx y ‘1’ para las FxOP. La ANN se ajustó con los datos del set de entrenamiento y validación, y se probó con el de testeo, cuya variable de resultado era desconocida para la red. La programación de la ANN se efectuó con las librerías de inteligencia artificial (IA) de Google Tensor Flow y Keras. Para la base de datos se usaron NumPy y Pandas, todo en un ambiente de Google Colab Notebooks. El desempeño fue evaluado por discriminación y calibración simultáneamente. Después del entrenamiento, la mejor ANN final fue una red de perceptrones multicapa (4 capas con 512 neuronas cada una) que determinó 12 variables de entrada (edad, peso, talla, IMC, MM’s y CMO’s) como ‘significativas’. El poder discriminante de la ANN para el conjunto de prueba fue ‘excelente’ (área bajo la curva -auc- del análisis ROC = 0.81±0.03). Esto adjudica a nuestra ANN final un buen poder discriminatorio asociado a una alta precisión, superiores a lo observado antes sin recurrir a la IA para indicadores tomográficos (pQCT) de masa y geométricos de muñeca en mujeres OP fracturadas de muñeca (auc = 0.71-0.79 [Osteoporor Int, 2001]. Para corroborar la hipótesis de que un bajo cociente BMC/MM determina independientemente un aumento de la probabilidad de fracturas, contrastamos la correlación de las salidas probabilísticas individuales del modelo (p) vs el índice BMC/LogMM en miembros inferiores para los dos grupos, obteniendo sendas curvas significativas (FxOP, r: -0.781, p< 0.001; NoFx, r: -0.760, p< 0.001), con ordenadas diferentes (ANCOVA, p< .001). Este modelo original de ANN empleando IA 1. enfatiza la importancia de la proporcionalidad BMC/MM para prevenir fracturas osteoporóticas, y 2. brinda una nueva herramienta, original y promisoria, para identificar mujeres post-MP con alto riesgo de fractura por desuso.