Video Experimental Relacionado
Updated: Feb 20, 2026
08:20
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
2.7K
Modelos predictivos de mortalidad basados en aprendizaje automático para pacientes con fiebre hemorrágica de
Bahadır Orkun Ozbay1, Aliye Bastug2, Arzu Ceren Yiğit3
1Ministry of Health, Tokat State Hospital, Department of Infectious Diseases and Clinical Microbiology, Tokat, Turkey.
Journal of vector borne diseases
|February 18, 2026
Resumen
Los modelos de aprendizaje automático identificaron factores de riesgo clave para la mortalidad en la fiebre hemorrágica de Crimea-Congo (CCHF). El recuento de plaquetas, la relación neutrófilos-linfocitos (NLR) y el recuento de neutrófilos son cruciales para predecir los resultados del paciente.
Área de la Ciencia:
- Enfermedades Infecciosas
- Informática Médica
- Bioestadística
Sus antecedentes:
- La fiebre hemorrágica de Crimea-Congo (CCHF) representa una amenaza significativa para la salud pública.
- La identificación de los factores de riesgo de mortalidad en pacientes con CCHF es crucial para una intervención oportuna.
- El aprendizaje automático ofrece herramientas avanzadas para analizar datos complejos de enfermedades.
Objetivo del estudio:
- Identificar los factores de riesgo de mortalidad en pacientes con CCHF.
- Evaluar el rendimiento predictivo de los modelos de aprendizaje automático para la mortalidad por CCHF.
- Determinar los parámetros más efectivos para predecir las muertes relacionadas con CCHF.
Principales métodos:
- Se utilizaron algoritmos de aprendizaje automático que incluyen XGboost, Regresión Logística, Random Forest, LightGBM y Gradient Boosting Classifier.
- Se desarrollaron modelos predictivos utilizando datos de 891 casos confirmados de CCHF.
- Se evaluó el rendimiento del modelo utilizando el análisis de la curva característica operativa del receptor (ROC) y el área bajo la curva (AUC).
Principales resultados:
- Se logró un alto rendimiento predictivo con valores de AUC de 0.849 (XGboost), 0.919 (Regresión Logística) y 0.853 (Gradient Boosting Classifier).
- Se identificaron el recuento de plaquetas, la relación neutrófilos-linfocitos (NLR) y el recuento de neutrófilos como los principales predictores de mortalidad.
- La tasa de letalidad general entre los casos confirmados de CCHF fue del 3.3%.
Conclusiones:
- Los modelos de aprendizaje automático, en particular la Regresión Logística, XGboost y Gradient Boosting Classifier, pueden predecir eficazmente la mortalidad por CCHF.
- El recuento de plaquetas, la NLR y el recuento de neutrófilos son indicadores significativos para evaluar el riesgo de mortalidad en pacientes con CCHF.
- Estos hallazgos pueden ayudar en la toma de decisiones clínicas y la asignación de recursos para el manejo de CCHF.
