Resumen

Conclusiones de los autores del estudio: el estudio sugiere que los resultados de las pruebas objetivas de laboratorio tienen el potencial de predecir la enfermedad de Kawasaki. El aprendizaje automático con XGBoost puede ayudar a los clínicos a diferenciar a los pacientes con enfermedad de Kawasaki de otros pacientes febriles en los servicios de urgencias pediátricas, con una excelente sensibilidad, especificidad y precisión.

Comentario de los revisores: aunque el modelo presentado tiene buena potencia para identificar pacientes con riesgo de enfermedad de Kawasaki, es preciso realizar una validación externa del mismo en poblaciones más parecidas a la nuestra antes de poder recomendar su utilización.

Palabras clave: técnicas y procedimientos diagnósticos; enfermedad de Kawasaki; aprendizaje automático

Abstract

Authors´ conclusions: the study suggests that the results of objective laboratory tests have the potential to predict Kawasaki disease. Machine learning with XGBoost can help clinicians differentiate Kawasaki disease patients from other febrile patients in pediatric emergency departments with excellent sensitivity, specificity, and accuracy.

Reviewers´ commentary: although the model presented has power to identify patients at risk of Kawasaki disease, it must be externally validated in populations more similar to ours before its use can be recommended.

Keywords: diagnostic techiques and procedures; mucocutaneous lymph node síndrome; machine learning

Cómo citar este artículo

Molina Arias M, Ortega Páez E. Aprendizaje automático para identificar niños con fiebre con riesgo de presentar enfermedad de Kawasaki. Evid Pediatr. 2024;20:3.