Desarrollo y validación de un algoritmo de detección basado en el aprendizaje automático para predecir la infección...

Área de la Ciencia:

• Salud pública
• Enfermedades infecciosas
• Ciencia de los datos

Sus antecedentes:

• Las infecciones por el virus de la hepatitis C (VHC) están aumentando en los Estados Unidos, exacerbadas por la epidemia de opiáceos.
• Una parte significativa de las infecciones por el VHC permanecen sin diagnosticar debido a la presentación asintomática.
• Hay una necesidad crítica de herramientas de detección eficaces para identificar a las poblaciones en riesgo.

Objetivo del estudio:

• Desarrollar y validar algoritmos de aprendizaje automático para predecir y estratificar el riesgo de infección por el VHC.
• Crear una herramienta que pueda ayudar en las estrategias de detección específicas del VHC.

Principales métodos:

• Utilizó la base de datos de registros electrónicos de salud OneFlorida+ para el período 2016-2023.
• Se incluyeron individuos mayores de 18 años sometidos a pruebas de detección del VHC, analizando 275 características.
• Desarrollado y validado cuatro modelos de ML: red elástica, bosque aleatorio, máquina de impulso de gradiente y red neuronal profunda.

Principales resultados:

• El modelo Gradient Boosting Machine (GBM) logró el rendimiento más alto (estadística C: 0,916).
• GBM demostró una sensibilidad del 79,39% y una especificidad del 89,08%, identificando un caso positivo de VHC por cada seis pruebas.
• Los tres primeros deciles de riesgo fueron capturados en más del 90% de los pacientes con VHC.

Conclusiones:

• Los algoritmos ML proporcionan un método eficaz para predecir y estratificar el riesgo de infección por el VHC.
• Estos modelos representan una herramienta prometedora para el cribado del VHC en la práctica clínica.
• El estudio pone de relieve el potencial de los enfoques basados en datos en la gestión de desafíos de salud pública como el VHC.