Aprendizaje automático para predecir bacteriuria en el departamento de emergencias

Área de la Ciencia:

• La informática médica
• Biología computacional
• Enfermedades infecciosas

Sus antecedentes:

• Las infecciones del tracto urinario (ITU) son comunes, pero a menudo son mal diagnosticadas y mal tratadas.
• El diagnóstico preciso y oportuno de las infecciones urinarias es crucial para un tratamiento eficaz de los pacientes.

Objetivo del estudio:

• Evaluar modelos de aprendizaje automático para predecir bacteriuria utilizando datos disponibles del departamento de emergencias (ED).
• Evaluar el rendimiento predictivo de varios algoritmos de aprendizaje automático para diferentes umbrales de crecimiento bacteriano en cultivos de orina.

Principales métodos:

• Análisis retrospectivo de 62,963 encuentros de ED con análisis de orina y datos de cultivo de orina (2017-2021).
• Comparación de regresión logística, vecinos k más cercanos, bosque aleatorio, aumento de gradiente extremo (XGBoost) y redes neuronales profundas.
• Predicción de tres resultados de cultivo de orina: cualquier crecimiento microbiano, ≥10.000 UFC/ml y ≥100.000 UFC/ml.

Principales resultados:

• XGBoost demostró la mayor precisión predictiva con AUROC de 86,1%, 89,1% y 93,1% para los respectivos resultados.
• Para los casos diagnosticados con ITU pre-cultivo, XGBoost logró un AUROC del 91% en la predicción de no crecimiento o ≥100,000 UFC/ml.
• El modelo predijo con precisión la bacteriuria utilizando solo los datos disponibles durante el encuentro con ED.

Conclusiones:

• El aprendizaje automático, particularmente XGBoost, puede predecir con precisión la bacteriuria utilizando datos de ED recopilados de forma rutinaria.
• Estos algoritmos ofrecen una herramienta valiosa para que los médicos puedan predecir los resultados de los cultivos y tomar decisiones empíricas sobre el tratamiento con antibióticos.
• La integración del aprendizaje automático en los flujos de trabajo clínicos puede mejorar el manejo de infecciones urinarias sospechosas.