Studio rileva che la categorizzazione basata su linee guida può eguagliare i predittori continui nella previsione degli esiti dell'ictus

Un nuovo studio, disponibile su arXiv (arXiv:2608.05203), esplora il potenziale dell'uso di codifiche categoriche allineate alle linee guida cliniche come sostituti dei predittori continui in modelli di machine learning volti a prevedere gli esiti a 90 giorni dopo un ictus ischemico acuto. Questa ricerca è nata da uno studio clinico con utenti che sosteneva l'adozione di soglie che riflettessero gli standard clinici. Utilizzando un registro europeo multicentrico, gli autori hanno valutato modelli standard basati su gradient boosting rispetto a versioni completamente categorizzate che applicavano soglie specifiche per trattamento e allineate alle linee guida. I pazienti sono stati divisi in tre gruppi di trattamento. I risultati hanno rivelato che i modelli categorizzati erano statisticamente simili ai modelli continui in due coorti, mentre una coorte ha subito un notevole calo nell'accuratezza predittiva. In particolare, le classifiche di importanza delle caratteristiche globali erano coerenti, indicando che la discretizzazione dei predittori continui non compromette necessariamente l'interpretabilità del modello. Questi risultati sono significativi per l'integrazione clinica dei modelli di machine learning, poiché allineare le spiegazioni del modello con il ragionamento clinico può migliorare la fiducia e l'usabilità. Il team di ricerca ha annunciato questo articolo su arXiv.