Algoritmos de aprendizaje automático para predecir infecciones del tracto urinario: integración de datos demográficos...

Área de la Ciencia:

• Urología
• Enfermedades infecciosas
• La informática médica

Sus antecedentes:

• Las infecciones del tracto urinario (ITU) son comunes, y los diagnósticos tradicionales de cultivo tardan de 24 a 48 horas.
• Un alto porcentaje (70-80%) de los cultivos de orina son negativos, lo que lleva a un posible uso excesivo de antibióticos.
• La identificación rápida de los casos negativos de ITU es crucial para optimizar la administración de antibióticos.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático (ML) para la predicción rápida de las ITU.
• Para comparar el rendimiento de los modelos ML con los parámetros tradicionales de análisis de orina con varilla de medición.

Principales métodos:

• Análisis de muestras de orina de 22.961 pacientes.
• Desarrollo y evaluación de seis modelos ML utilizando 17 parámetros predictivos, incluidos los resultados de la varilla de medición y los datos demográficos.
• Los datos se dividen en un 70% de formación y un 30% de ensayos independientes.

Principales resultados:

• El clasificador CatBoost logró el mayor rendimiento, con un área bajo la curva ROC del 92,0% al 94,7%.
• El modelo demostró un valor predictivo negativo consistentemente superior al 95% y una precisión media del 68,2% al 81,6%.
• Los parámetros de medición tradicionales (nitrito y esterasa leucocitaria) mostraron un rendimiento predictivo significativamente menor.

Conclusiones:

• Los modelos ML, especialmente el CatBoost Classifier, ofrecen una herramienta altamente precisa y rápida para el diagnóstico de ITU, entregando resultados en menos de una hora.
• Estos modelos pueden ayudar a los médicos a tomar decisiones diagnósticas oportunas.
• Se recomienda una mayor validación y estudios sobre el impacto de la prescripción de antibióticos.