PreBP: un marco de aprendizaje por conjuntos interpretable y optimizado que utiliza el recuento sanguíneo completo...

Área de la Ciencia:

• Biología computacional y aplicaciones de aprendizaje automático en diagnósticos de enfermedades infecciosas.

Sus antecedentes:

• El diagnóstico de neumonía bacteriana requiere una identificación rápida de patógenos para un tratamiento eficaz.
• Los métodos convencionales como los cultivos de esputo o sangre son lentos y requieren mucha mano de obra.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje por conjuntos interpretable (PreBP) para la identificación rápida de patógenos de neumonía bacteriana.
• Utilizar parámetros de recuento sanguíneo completo (CSC) disponibles de forma rutinaria para la detección de patógenos.

Principales métodos:

• Se analizaron 1.334 muestras de CSC de pacientes con neumonía bacteriana confirmada por cultivo.
• Se emplearon cinco modelos de aprendizaje automático, incluidos XGBoost, MLPNN, AdaBoost, RF y ExtraTrees.
• Se utilizaron hiperparámetros optimizados con metaheurísticas, selección de características en doble fase (Lasso y Boruta) y explicaciones aditivas de SHAP (SHAP) para la interpretabilidad.

Principales resultados:

• El marco PreBP logró un AUC de 0.920.
• PreBP demostró un alto rendimiento con un 87,1% de precisión y un 86,7% de exactitud y sensibilidad.

Conclusiones:

• PreBP ofrece un enfoque computacional e interpretable para la identificación de patógenos en la neumonía bacteriana utilizando datos de CSC de rutina.
• El marco puede proporcionar evidencia complementaria para una toma de decisiones clínicas más temprana, apoyando los flujos de trabajo dependientes del cultivo.