Un modelo de aprendizaje automático para la predicción precisa de la enfermedad de órganos terminales del CMV

Área de la Ciencia:

• La informática médica es la informática médica.
• Biología computacional Biología computacional.
• Epidemiología de las enfermedades infecciosas.

Sus antecedentes:

• El citomegalovirus (CMV) End-Organ Disease (EOD) es una complicación grave para los pacientes inmunocomprometidos, especialmente los receptores de trasplantes.
• La predicción del EOD del CMV es crucial para la intervención oportuna, pero es un desafío con los métodos tradicionales.

Objetivo del estudio:

• Para evaluar el rendimiento de diagnóstico de los algoritmos de aprendizaje automático (ML) para predecir CMV EOD.
• Utilice datos clínicos y de laboratorio de pacientes de alto riesgo para el desarrollo de modelos de predicción.

Principales métodos:

• Análisis retrospectivo de 227 pacientes adultos con sospecha de enfermedad por CMV.
• Los modelos de aprendizaje automático (ANN, XGBoost, SVM, ensemble) fueron entrenados y probados en datos clínicos / de laboratorio.
• El rendimiento se evaluó utilizando AUROC, sensibilidad, especificidad, precisión y DOR.

Principales resultados:

• 53 de 227 pacientes (23,3%) fueron diagnosticados con el CMV EOD.
• Los predictores clave incluyeron un IMC bajo, una carga viral alta de CMV PCR, enfermedad de injerto contra huésped y trombocitopenia.
• El modelo conjunto logró una precisión del 90% y una precisión del 100%, superando a los algoritmos individuales de ML.

Conclusiones:

• El aprendizaje automático, en particular los métodos de conjunto, ofrece una alta precisión de diagnóstico para CMV EOD.
• Las herramientas de aprendizaje automático pueden apoyar la estratificación temprana del riesgo y la toma de decisiones clínicas en poblaciones vulnerables.
• La integración en la práctica puede mejorar los resultados de los pacientes a través de la atención individualizada.