Predicción de aprendizaje automático del beneficio de la intervención farmacéutica en pacientes con tuberculosis...

Área de la Ciencia:

• * Aplicaciones de aprendizaje automático en el cuidado de la salud
• * Informática clínica y modelado predictivo.

Sus antecedentes:

• * La tuberculosis (TB) representa una carga significativa para la salud mundial, lo que requiere un manejo eficiente de los pacientes.
• * La identificación de pacientes para la intervención del farmacéutico es crucial para optimizar los resultados y la asignación de recursos.
• * El modelado predictivo utilizando parámetros clínicos puede ayudar en las intervenciones farmacéuticas específicas para pacientes con TB.

Objetivo del estudio:

• * Desarrollar y validar un modelo de aprendizaje automático para predecir la asignación del grupo de intervención del farmacéutico en pacientes con TB en el ingreso hospitalario.
• * Para optimizar el modelo utilizando ingeniería avanzada de características y ajuste de hiperparámetros.
• * Explorar conocimientos biológicos a través del análisis de datos transcriptómicos para la comprensión contextual.

Principales métodos:

• * Análisis retrospectivo de 467 pacientes con TB.
• * Técnicas de aumento de datos (interpolación de múltiples vecinos) para aumentar el tamaño del conjunto de datos a 1.999 muestras.
• * Ingeniería de características extensa (122 características) y optimización de hiperparámetros basada en Optuna para un modelo de conjunto de varios niveles (43 modelos base).

Principales resultados:

• * El modelo conjunto logró una precisión del 92,25% y un AUC-ROC del 96,96% en la predicción de la asignación de grupos de intervención del farmacéutico.
• * El análisis transcriptómico de los conjuntos de datos de GEO identificó 150 genes expresados diferencialmente y enriqueció las vías inmunológicas / inflamatorias.

Conclusiones:

• * La optimización del aprendizaje automático predice efectivamente la elegibilidad del paciente para las intervenciones farmacéuticas en la atención de la TB.
• * El modelo de predicción clínica, basado únicamente en variables clínicas, ofrece una herramienta robusta para la asignación personalizada de recursos para el tratamiento de la TB.
• * La alta precisión predictiva sugiere potencial para la implementación clínica para mejorar el manejo del paciente.