Clasificación de alto rendimiento de síntomas de Mpox utilizando clasificador de vectores de soporte y análisis...

Área de la Ciencia:

• Informática Médica
• Epidemiología
• Aprendizaje Automático

Sus antecedentes:

• Los brotes mundiales de Mpox presentan desafíos diagnósticos, particularmente en entornos con recursos limitados.
• Los diagnósticos convencionales de Mpox a menudo son inaccesibles debido a costos y limitaciones logísticas.
• Existe una necesidad crítica de estrategias de diagnóstico escalables y accesibles para Mpox.

Objetivo del estudio:

• Explorar la utilidad de los clasificadores de aprendizaje automático (ML) para la detección rápida de Mpox.
• Evaluar modelos de ML entrenados con datos de síntomas clínicos para determinar su rentabilidad.
• Identificar características clínicas clave predictivas de Mpox.

Principales métodos:

• Se utilizó un conjunto de datos de acceso abierto de síntomas clínicos de casos sospechosos de Mpox.
• Se entrenaron y evaluaron cinco algoritmos de ML supervisados: Extra Trees, QDA, Decision Trees, Perceptron y SVC.
• Se evaluó el rendimiento del modelo utilizando precisión, recuperación, ROC-AUC y puntuación F1, con análisis de importancia de características.

Principales resultados:

• SVC, QDA y Perceptron lograron un alto rendimiento (97,7% de precisión, 95,5% de recuperación).
• Estos modelos demostraron un poder discriminatorio robusto con mínimos falsos positivos y negativos.
• Se identificó la erupción cutánea como la característica clínica predictiva más significativa para la detección de Mpox.

Conclusiones:

• Los clasificadores de ML muestran un gran potencial para la detección de Mpox basándose en características clínicas.
• La integración de modelos de ML puede mejorar la detección temprana de casos y la vigilancia de enfermedades.
• Se recomienda la validación prospectiva en entornos clínicos del mundo real para futuras investigaciones.