Red neuronal artificial para el cribado rápido de muestras de infecciones urinarias sospechosas

Área de la Ciencia:

• Diagnóstico clínico
• Inteligencia artificial en la medicina
• Análisis de la orina

Sus antecedentes:

• El análisis microbiano de la orina es propenso a la contaminación, causando falsos positivos y retrasos.
• La digitalización y el aprendizaje automático (ML) ofrecen soluciones potenciales para el apoyo a las decisiones clínicas.
• La contaminación conduce a un diagnóstico erróneo y a una asignación ineficiente de los recursos sanitarios.

Objetivo del estudio:

• Investigar el uso de una red neuronal artificial simple (ANN) para la identificación previa de muestras de orina negativas y contaminadas.
• Desarrollar y evaluar un modelo de aprendizaje automático para el análisis de muestras de orina.
• Para reducir los diagnósticos falsos positivos y los cultivos microbianos innecesarios.

Principales métodos:

• Desarrolló un modelo de perceptrón multicapa (MLP) utilizando 8181 muestras de orina (citología, varilla de medición, cultivo).
• Se dividen aleatoriamente los datos 2:1 para la formación y las pruebas; se excluyen las variables de poca importancia.
• Se utilizaron datos microbianos y de color de la orina/urobilinógeno como entradas primarias para el modelo.

Principales resultados:

• El modelo MLP obtuvo un valor predictivo negativo (VNP) del 96,5% y un valor predictivo positivo (VPP) del 87,2%.
• Las muestras contaminadas a menudo se clasificaban erróneamente como negativas.
• Se identificó el 0,82% de los cultivos como cultivos microbianos innecesarios.

Conclusiones:

• Los modelos ANN evalúan con fiabilidad las muestras de orina negativas, lo que ayuda a detectar bacteriurías significativas.
• El modelo es eficaz para descartar resultados negativos, pero menos para confirmar los positivos.
• Se pueden lograr mejoras adicionales en la precisión y la reducción de falsos negativos mediante la incorporación de datos morfológicos.