Predicción del índice de fragmentación del ADN espermático humano a partir del espermatograma computarizado y la edad mediante un modelo de Machine Learning para optimizar la Fecundación in vitro

Abstract

La investigación desarrolla un modelo predictivo del índice de fragmentación del ADN espermático (IFA) mediante técnicas de machine learning, utilizando parámetros derivados de un espermatograma computarizado y la edad. Se realizó un estudio retrospectivo con información de 743 pacientes atendidos entre enero de 2023 y agosto de 2024. La base de datos incluyó 60 variables clínicas y seminales y se dividió en conjuntos de entrenamiento, validación interna y validación externa temporal. Se emplearon los algoritmos K-Nearest Neighbors (KNN) y Random Forest (RF), evaluados mediante métricas de exactitud, precisión, sensibilidad, especificidad, F1-score, AUC-ROC y AUC-PR, considerando escenarios de clasificación multiclase y binaria. En la clasificación multiclase, ambos modelos presentaron un desempeño bajo a moderado, con predominio de RF en la validación cruzada e interna y de KNN en la validación externa. En la clasificación binaria, RF mostró un desempeño más equilibrado y consistente, con mejores resultados en sensibilidad, F1-score, AUC-ROC y AUC-PR. Asimismo, las curvas de aprendizaje evidenciaron una mejora de RF con el incremento del volumen de datos, mientras que KNN presentó mayor sesgo y varianza. Se concluye que RF constituye el modelo más prometedor para la predicción clínica del IFA, mientras que KNN podría complementar su aplicación en determinados escenarios.