Correlograma de características con mayor correlación con PCT. El etiquetado de los ejes xey se presenta en diagonal. Se muestran los siguientes parámetros:PCT =procalcitonina, CRP =proteína C reactiva, TP =proteína total, LBP =proteína de unión a lipopolisacáridos, Alb =albúmina, Crea =creatinina, IL-6 =interleucina-6, NeuR =proporción relativa de neutrófilos, Plt =plaquetas, Bili =bilirrubina; El coeficiente de correlación de Spearman se presenta en la parte inferior izquierda del correlograma, los valores p se indican de la siguiente manera:*** <0,001, * <0,05, en la parte superior derecha del correlograma se muestran los diagramas de dispersión de las características presentadas. Crédito:Dorffner et al.
Un equipo de investigadores de la Universidad Médica de Viena evaluó recientemente la efectividad de las estrategias de aprendizaje automático para identificar bacteriemia en pacientes afectados por el síndrome de respuesta inflamatoria sistémica (SIRS). Su estudio, publicado en Informes científicos , recogió resultados desalentadores, ya que los métodos de aprendizaje automático no pueden lograr una mayor precisión que las técnicas de diagnóstico actuales.
La bacteriemia es una afección médica frecuente caracterizada por la presencia de bacterias en la sangre, con una tasa de mortalidad que oscila entre el 13 y el 21 por ciento. Investigaciones anteriores sugieren que varios factores están asociados con el riesgo de desarrollar esta afección, incluida la edad avanzada, catéter vascular urinario o permanente, quimioterapia, y terapias inmunosupresoras.
El diagnóstico precoz de la bacteriemia es de crucial importancia para la supervivencia de los pacientes afectados, ya que requieren un tratamiento inmediato con los antibióticos adecuados. En la actualidad, el análisis de hemocultivo (BC) es el método principal para diagnosticar la afección. Sin embargo, este método está lejos de ser ideal, ya que a menudo es difícil determinar quién debe someterse a un análisis de CB, los resultados necesitan alrededor de tres días para procesarse, y puede dar lugar a alrededor del 8 por ciento de falsos positivos.
Por lo tanto, los investigadores están tratando de identificar biomarcadores o herramientas de predicción que puedan identificar mejor a los pacientes que tienen un alto riesgo de bacteriemia. Hasta aquí, Se ha descubierto que la procalcitonina (PCT) es el mejor biomarcador para detectar la enfermedad. con una sensibilidad combinada del 76 por ciento y una especificidad combinada del 69 por ciento.
En su estudio, los investigadores investigaron si las estrategias de aprendizaje automático podrían mejorar el rendimiento diagnóstico de la PCT en la identificación de bacteriemia, particularmente en pacientes con dos o más síntomas de SIRS que no requirieron análisis de BC. Recopilaron datos de 466 pacientes que cumplían con los criterios y utilizaron un panel de 29 parámetros de datos clínicos, niveles de expresión de citocinas y marcadores de laboratorio estándar para entrenar su modelo predictivo.
"El objetivo principal de nuestro estudio fue mostrar si la presencia de bacterias en la sangre de un paciente después de haber presentado reacciones inflamatorias se puede predecir desde el principio y mejor de lo que es posible actualmente". utilizando parámetros de laboratorio y aprendizaje automático, "Georg Dorffner, uno de los investigadores que realizó el estudio, le dijo a Tech Xplore. "Para ese propósito, realizamos un gran estudio con pacientes de nuestra clínica universitaria (AKH Viena) para recopilar los datos necesarios ".
Gráfico de agregación de datos faltantes. lef =distribución de datos faltantes, se muestra en porcentaje, derecha =análisis de patrones perdidos (gráfico de falta de agregación, Paquete VIM), los porcentajes de patrones que faltan se muestran en el lado derecho, El 81% de la población total del estudio no tenía valores perdidos. Crédito:Dorffner et al.
Doffner y sus colegas utilizaron algunos modelos predictivos que son populares en el campo del aprendizaje automático, evaluando su respectiva efectividad. Se centraron especialmente en dos modelos, uno usando redes neuronales y el otro llamado bosque aleatorio.
"Uno de los modelos que usamos se llama 'red neuronal, 'y encuentra buenas combinaciones de valores de laboratorio como para hacer también predicciones no lineales (es decir, no proporcionales), ", Explicó Dorffner." Otro, en realidad el de mejor rendimiento, se llama 'bosque aleatorio, 'y consta de un gran número de los denominados árboles de decisión, donde cada árbol intenta tomar una serie de decisiones paso a paso, cada uno basado en un único valor de laboratorio, en cuanto a cuál es la mejor predicción. Estos árboles luego trabajan todos juntos como un comité (por lo tanto, el nombre 'bosque') ".
En su estudio, la estrategia de bosque aleatorio logró los mejores resultados en la predicción de bacteriemia. Sin embargo, logró una precisión diagnóstica igual a la del biomarcador PCT, lo que sugiere que las técnicas populares de aprendizaje automático no pueden predecir la condición mejor que los métodos empleados actualmente.
"Nuestro hallazgo más significativo fue que un conjunto de varios valores de laboratorio no podría conducir a una mejor predicción que el único valor que todos los demás están usando, a saber, el nivel de procalcitonina en la sangre, ", Explicó Dorffner." Por lo tanto, el aprendizaje automático no ayudó realmente a avanzar en la rutina clínica en este caso. Todavía fue un esfuerzo que valió la pena, ya que nuestros resultados les dicen a otros investigadores que el problema no es aparentemente predecible, ahorrándoles trabajo adicional innecesario en esta dirección ".
Si bien los resultados recopilados por Dorffner y sus colegas fueron algo decepcionantes, ofrecen información valiosa para futuras investigaciones, describiendo las dificultades del uso del aprendizaje automático para identificar bacteriemia en pacientes con SIRS.
"Ahora nos estamos centrando en otras aplicaciones clínicas en las que el aprendizaje automático es probablemente más prometedor para hacer avanzar las predicciones o los diagnósticos, ", Dijo Dorffner." Por ejemplo, Junto con los cardiólogos, estamos desarrollando un sistema de aprendizaje basado en imágenes de resonancia magnética para detectar la rara pero importante enfermedad de la amiloidosis cardíaca ".
© 2018 Medical Xpress
