Revista de Bacteriología y Parasitología

Abstracto

Predicción de mortalidad para pacientes con COVID-19: métodos y potencial

Pedro Gemmar

La propagación pandémica del coronavirus ha aumentado la carga sobre los servicios sanitarios en todo el mundo. La experiencia demuestra que el tratamiento médico necesario puede llegar a límites en las clínicas locales y la evaluación clínica rápida y segura de la gravedad de la enfermedad se vuelve vital. Los biomarcadores se determinan periódicamente para los pacientes de cuidados intensivos. Se pueden utilizar herramientas de aprendizaje automático para seleccionar los biomarcadores adecuados con el fin de estimar el estado de salud y predecir el riesgo de mortalidad del paciente. Los modelos de predicción transparentes permiten obtener más información sobre las propiedades y el desarrollo de los biomarcadores en relación con las condiciones de salud específicas de los pacientes de cuidados intensivos.

En este trabajo se comparan enfoques de modelos alternativos y avanzados (Support Vector Machine, Naive Bayes, Fuzzy system) con modelos propuestos en la literatura. Además, se incluyen en el modelado aspectos como el género de los pacientes y los cambios en los biomarcadores a lo largo del tiempo. Se utiliza una red neuronal artificial (SOM) para seleccionar los biomarcadores. Un análisis estadístico de los biomarcadores revela sus valores y cambios en el estado crítico de los pacientes. En una comparación de modelos, un predictor difuso de tipo Sugeno logró los mejores resultados para la evaluación de la salud y el apoyo a la toma de decisiones. El sistema difuso ofrece valores de salida continuos en lugar de decisiones binarias y, por lo tanto, los casos dudosos se pueden asignar a una clase de rechazo. Un modelo difuso extendido tiene en cuenta el género del paciente y la tendencia de las características clave a lo largo del tiempo y, por lo tanto, proporciona excelentes resultados con una precisión mejor del 98% con los datos de entrenamiento. Sin embargo, esto no se pudo verificar finalmente debido a la falta de datos de prueba adecuados. La generación y el entrenamiento de todos los modelos fue completamente automático con herramientas Matlab© y sin ajustes adicionales.