Un estudio reciente publicado en Diagnóstico inteligencia artificial aplicada (IA) para pronosticar el pronóstico y los efectos adversos de la tuberculosis (TB).
Fondo
La tuberculosis es una enfermedad infecciosa y una causa importante de morbilidad y mortalidad a nivel mundial. Los pacientes infectados pueden recibir tratamiento, y la dosis/régimen del fármaco y la duración del tratamiento dependen de las comorbilidades, el sitio de infección y el tipo de cepa.
La mayoría de los medicamentos para la TB pueden ser tóxicos para el hígado; por lo tanto, los médicos deben controlar las enzimas hepáticas y evaluar el riesgo de hepatitis. Últimamente, se han empleado modelos de IA y aprendizaje automático (ML) para diagnosticar la TB, pero menos estudios los han utilizado para predecir resultados adversos.
Sobre el estudio
En el presente estudio, los investigadores utilizaron modelos AI/ML para predecir los resultados en pacientes con TB. Recolectaron datos de pacientes con TB de tres hospitales en Taiwán entre enero de 2004 y diciembre de 2021. Se excluyeron los datos de pacientes menores de 20 años en el momento del diagnóstico y aquellos con micobacterias no tuberculosas.
Los resultados fueron hepatitis aguda, insuficiencia respiratoria y muerte por todas las causas durante el tratamiento. El equipo incluyó variables características como edad, sexo, tipo de TB y comorbilidades. Todas las variables se utilizaron para construir modelos de predicción para garantizar el máximo rendimiento. Los datos se aleatorizaron en conjuntos de datos de entrenamiento y prueba. Se aplicó la técnica de sobremuestreo de minorías sintéticas (SMOTE) para corregir el desequilibrio de datos.
Los modelos para cada resultado se generaron utilizando seis algoritmos ML: bosque aleatorio, XGBoost, máquina de vectores de soporte (SVM), perceptrón multicapa (MLP), máquina de aumento de gradiente de luz (LightGBM) y regresión logística. El conjunto de datos de prueba se utilizó para evaluar modelos con indicadores de precisión, sensibilidad, especificidad y el área bajo la curva característica operativa del receptor (AUROC).
Recomendaciones
Los autores identificaron 4.018 casos durante el período de estudio. Después de las exclusiones, se seleccionaron 2248 pacientes para la construcción del modelo. La mayoría de los sujetos eran hombres (71,7%); la edad media de los participantes fue de 67,7 años. El análisis de correlación de Spearman identificó los niveles séricos de alanina aminotransferasa, aspartato aminotransferasa y bilirrubina total como características relevantes para la hepatitis aguda, y el nitrógeno ureico en sangre, la edad y el recuento de glóbulos blancos (WBC) para la insuficiencia respiratoria aguda y la mortalidad.
El algoritmo MLP logró el valor AUROC más alto de 0,834 para predecir la mortalidad con una sensibilidad de 0,722, una especificidad de 0,736 y una precisión de 0,735. Random forest tuvo el valor más alto de 0,884 para la predicción de insuficiencia respiratoria aguda con una sensibilidad de 0,812, una especificidad de 0,82 y una precisión de 0,819. XGBoost mostró el valor AUROC más alto de 0,92 para la hepatitis aguda; la sensibilidad, la especificidad y la precisión fueron 0,77, 0,92 y 0,86, respectivamente.
Conclusiones
En conjunto, los investigadores aplicaron modelos AI/ML para la detección temprana de insuficiencia respiratoria, hepatitis y muerte en pacientes con tuberculosis, utilizando datos clínicos y demográficos comúnmente disponibles. En particular, la muestra comprendía pacientes del sur de Taiwán, lo que limita la representatividad de los hallazgos. Además, el estado de consumo de alcohol/tabaquismo no estaba disponible, dado el método de recopilación de datos retrospectivo.
