Modelos multifactoriales de aprendizaje automático para predecir infecciones del tracto urinario: un estudio piloto

Área de la Ciencia:

• Inmunología y Microbiología
• Bioquímica
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• La vitamina D es crucial para la función inmunológica y la homeostasis del calcio-fósforo.
• La deficiencia de vitamina D se relaciona con la desregulación inmunológica, lo que aumenta el riesgo de infecciones como las ITU.
• Se exploran los niveles urinarios de 25-hidroxivitamina D (25(OH)D) como un biomarcador potencial para el riesgo de ITU.

Objetivo del estudio:

• Investigar la asociación entre los niveles urinarios de 25(OH)D y la ocurrencia de ITU.
• Desarrollar y evaluar modelos de aprendizaje automático para la predicción de ITU utilizando datos demográficos y bioquímicos.

Principales métodos:

• Análisis de una cohorte de 358 sujetos con datos demográficos, bioquímicos y microbiológicos recopilados.
• Desarrollo de 12 modelos de aprendizaje automático que utilizan 25(OH)D urinaria, pH de orina, edad y género.
• Los modelos se evaluaron utilizando métricas que incluyen precisión, sensibilidad, especificidad, VPP, VPN, AUC-ROC y puntuación F1.

Principales resultados:

• Se observaron diferencias significativas en los niveles urinarios de 25(OH)D entre individuos con urocultivos positivos y negativos (p < 0,001).
• Los modelos de aprendizaje automático alcanzaron precisiones que oscilaron entre el 64 % y el 87 %, y un modelo de apilamiento alcanzó el 88 % de precisión.
• El modelo de apilamiento de mejor rendimiento demostró una sensibilidad del 83 %, una especificidad del 94 % y un AUC-ROC de 0,93.

Conclusiones:

• Los niveles más bajos de 25(OH)D urinaria se asocian significativamente con una mayor ocurrencia de ITU.
• Los modelos de aprendizaje automático muestran ser prometedores como herramientas complementarias para el diagnóstico de ITU, complementando los métodos tradicionales.
• Se necesitan más estudios de validación y prospectivos para evaluar el impacto clínico de estos modelos predictivos.