El aprendizaje automático ayuda a hacer frente a la larga COVID

Long COVID ha surgido como una pandemia dentro de la pandemia. Mientras los científicos trabajan para desenredar las muchas preguntas que quedan sin respuesta sobre cómo la infección inicial afecta el cuerpo, ahora también deben investigar por qué algunas personas desarrollan síntomas crónicos y debilitantes que duran meses o años más.

Una nueva herramienta de aprendizaje automático está aquí para ayudar.

Desarrollado por un equipo de investigadores de instituciones de todo el país, dirigido por Justin Reese de Berkeley Lab y Peter Robinson de Jackson Lab, el software analiza las entradas en los registros de salud electrónicos (EHR, por sus siglas en inglés) para encontrar síntomas en común entre las personas que han sido diagnosticadas con COVID y para definir subtipos de la condición. La investigación, que se describe en un nuevo artículo en eBioMedicinatambién identifica fuertes correlaciones entre diferentes subtipos largos de COVID y condiciones preexistentes como diabetes e hipertensión.

Según Reese, científico investigador informático en el Área de Biociencias de Berkeley Lab, esta investigación ayudará a mejorar nuestra comprensión de cómo y por qué algunas personas desarrollan síntomas prolongados de COVID y puede permitir tratamientos más efectivos al ayudar a los médicos a desarrollar terapias personalizadas para cada grupo. Por ejemplo, el mejor tratamiento para los pacientes que experimentan náuseas y dolor abdominal podría ser bastante diferente del tratamiento para los que sufren de tos persistente y otros síntomas pulmonares.

El equipo desarrolló y validó su software utilizando una base de datos de información EHR de 6469 pacientes diagnosticados con COVID prolongado después de infecciones confirmadas por COVID-19. «Básicamente, encontramos características largas de COVID en los datos de EHR para cada paciente largo de COVID, y luego evaluamos la similitud paciente-paciente usando la similitud semántica, que esencialmente permite una ‘coincidencia aproximada’ entre características; por ejemplo, ‘tos’ no es lo mismo que ‘dificultad para respirar’, pero son similares porque ambos involucran problemas pulmonares», dijo Reese. «Comparamos todos los síntomas para el par de pacientes de esta manera y obtenemos una puntuación de cuán similares son los dos pacientes con COVID prolongado. Luego podemos realizar un aprendizaje automático no supervisado en estos puntajes para encontrar diferentes subtipos de COVID prolongado».

Los investigadores aplicaron el aprendizaje automático a estos puntajes de similitud paciente-paciente para agrupar a los pacientes en grupos, que luego se caracterizaron analizando las relaciones entre los síntomas y las enfermedades preexistentes y otras características demográficas, como la edad, el género o la raza.

Reese y sus colegas señalan que la herramienta será conveniente para los investigadores porque el enfoque de aprendizaje automático en su núcleo se autoadapta para diferentes sistemas EHR, lo que permite a los investigadores recopilar datos de una amplia variedad de establecimientos médicos.

Esta investigación se basa en trabajos anteriores para desarrollar Human Phenotype Ontology, una base de datos de acceso abierto y una herramienta de investigación que proporciona un vocabulario estandarizado de síntomas y características que se encuentran en todas las enfermedades humanas.