Nuevos datos sugieren que los algoritmos de aprendizaje automático pueden predecir con precisión la infección por C. diff en pacientes hospitalizados

Los nuevos datos publicados hoy sugieren que varios algoritmos de aprendizaje automático (MLA) de uso común pueden predecir de manera efectiva qué pacientes hospitalizados se infectarán con Clostridiodes difficile (C diferencia). Los hallazgos, que aparecen en el Revista estadounidense de control de infecciones (AJIC), la revista de la Asociación de Profesionales en Control de Infecciones y Epidemiología (APIC), podría apoyar la prevención de infecciones y el diagnóstico temprano, así como la implementación más oportuna de medidas de control de infecciones para minimizar C diferencia untado.

«Los hallazgos de nuestro estudio sugieren que los MLA podrían desempeñar un papel importante en la reducción del impacto clínico y económico de las infecciones asociadas a la atención médica, como C diferencia proporcionando predicciones tempranas de pacientes en riesgo antes de que desarrollen complicaciones graves», dijo Jana Hoffman, vicepresidenta de ciencia de Dascena, Inc. «Estos datos son consistentes con un creciente cuerpo de evidencia que valida la inteligencia artificial y los MLA como componentes integrales de gestión de la atención médica que puede mejorar los resultados de los pacientes y ayudar a los médicos con limitaciones de tiempo a brindar la mejor atención al paciente».

C diferencia (CDI) es la principal causa de diarrea adquirida en el hospital y se asocia con una morbilidad, mortalidad y costos de atención médica significativos. Actualmente no existe una herramienta estándar de oro para evaluar el riesgo de los pacientes individuales de adquirir CDI. Hoffman y sus colegas publicaron previamente datos que demuestran que los MLA pueden predecir los pacientes en riesgo de desarrollar otras HAI de alto impacto.

Para el estudio publicado hoy, los investigadores utilizaron una base de datos que comprende datos de pacientes de registros de salud electrónicos (EHR) de más de 700 hospitales en todo el país para entrenar y luego evaluar sistemáticamente tres métodos clásicos diferentes de aprendizaje automático y aprendizaje profundo. Inicialmente evaluaron varios modelos de cada uno de estos métodos para determinar si podían predecir de manera efectiva la CDI entre pacientes hospitalizados utilizando datos tempranos de pacientes hospitalizados y luego usaron un conjunto de datos externo distinto para evaluar la generalización de los modelos MLA de mejor rendimiento.

Los resultados sugieren que los MLA pueden predecir la CDI con excelente discriminación utilizando solo las primeras seis horas de datos de pacientes hospitalizados. Entre los tres métodos estudiados, un método de aprendizaje automático llamado XGBoost proporcionó la mayor precisión general en la predicción de CDI, a pesar de ser el modelo menos complejo. XGBoost también demostró capacidad de generalización al mantener su rendimiento predictivo en un conjunto de datos externo. Los otros dos métodos que evaluaron los investigadores, las redes neuronales conocidas como memoria profunda a largo y corto plazo (D-LSTM) y la red neuronal convolucional unidimensional (1D-CNN), también demostraron altos niveles de precisión predictiva, aunque eran menos generalizables.

Los modelos XGBoost, D-LSTM y 1D-CNN de mejor rendimiento utilizaron características similares para predecir la CDI entre los pacientes, todos los cuales se identificaron previamente como factores de riesgo. En este estudio, la edad fue el principal factor de riesgo de CDI, seguido de mediciones clínicas como el sodio, el índice de masa corporal, el recuento de glóbulos blancos y la frecuencia cardíaca; tratamiento activo con antibióticos o inhibidores de la bomba de protones; hemoglobina glicosilada; y raza

«Este estudio respalda investigaciones anteriores que sugieren que los MLA brindan una predicción confiable del riesgo de infección que puede empoderar a los equipos clínicos para implementar medidas de control de infecciones adecuadas en puntos de tiempo más tempranos y, por lo tanto, mejorar los resultados de la atención médica», dijo Linda Dickey, RN, MPH, CIC, FAPIC y Presidente APIC 2022.

Proporcionado por la Asociación de Profesionales en el Control de Infecciones