Diseñan un modelo de aprendizaje automático para una predicción rápida del riesgo de infección por 'C. Difficile'

Clostridium difficile
UNIVERSIDAD DE MICHIGAN - LABORATORIO HANNA
Publicado 26/03/2018 7:25:33CET

   MADRID, 26 Mar. (EUROPA PRESS) -

   Cada año, casi 30.000 estadounidenses mueren a causa de una bacteria agresiva, infecciosa intestinal llamada 'Clostridium difficile' ('C. Difficile'), que es resistente a muchos antibióticos comunes y puede florecer cuando el tratamiento con antibióticos elimina las bacterias beneficiosas que normalmente lo mantienen a raya.

   Investigadores del Massachusetts General Hospital (MGH, por sus siglas en inglés), la Universidad de Michigan (UM) y el Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés), en Estados Unidos, han desarrollado modelos de "aprendizaje automático" en investigación, diseñados específicamente para instituciones individuales, que pueden predecir el riesgo de un paciente de desarrollar 'C. Difficile' mucho antes de lo que sería diagnosticado con los métodos actuales.

   Los datos preliminares de su estudio, que se publican en 'Infection Control and Hospital Epidemiology', se presentaron en octubre pasado en la conferencia ID Week 2017, que se celebró en San Diego, California, Estaos Unidos. "A pesar de los esfuerzos sustanciales para prevenir la infección por 'C. Difficile' e instituir un tratamiento precoz al momento del diagnóstico, las tasas de infección continúan aumentando", afirma la coautora del estudio Erica Shenoy, de la División de Enfermedades Infecciosas de MGH.

   "Necesitamos mejores herramientas para identificar a los pacientes de mayor riesgo para que podamos centrarnos en las intervenciones de prevención y tratamiento para reducir la transmisión y mejorar los resultados de los pacientes", agrega esta experta, también profesora asistente de Medicina en la Escuela de Medicina de la Universidad e Harvard, en Estados Unidos.

   Los autores señalan que la mayoría de los modelos previos de riesgo de infección por 'C. Difficile' se diseñaron como enfoques de "talla única" e incluían solo algunos factores de riesgo, lo que limitaba su utilidad. Los coautores Jeeheh Oh, estudiante graduado de UM en Informática e Ingeniería, y Maggie Makar, del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT y sus colegas tomaron un enfoque de "datos grandes" que analizó el historial médico completo (EHR, por sus siglas en inglés) para predecir el riesgo de 'C. Difficile' de un paciente durante el transcurso de la hospitalización.

   Su método permite desarrollar modelos específicos de la institución que podrían acomodar a diferentes poblaciones de pacientes, diferentes sistemas de EHR y factores específicos de cada institución. "Cuando simplemente se combinan datos en un modelo único, las diferencias institucionales en poblaciones de pacientes, diseños hospitalarios, pruebas y protocolos de tratamiento, o incluso en la forma en que el personal interactúa con el EHR pueden llevar a diferencias en las distribuciones de datos subyacentes y, en última instancia, a un rendimiento deficiente de dicho modelo", dice la coautora Jenna Wiens.

   Wiens, también profesora asistente de Informática e Ingeniería en la UM y coautora del estudio, agrega: "Para mitigar estos problemas, tomamos un enfoque específico del hospital, entrenando un modelo adaptado a cada institución". Utilizando su modelo basado en el aprendizaje automático, los autores analizaron datos demográficos individuales y antecedentes médicos, detalles de ingreso y hospitalización diaria, y la probabilidad de exposición a 'C. Difficile', de los EHR de casi 257.000 pacientes ingresados en MGH o en 'Michigan Medicine' --un centro médico académico de UM-- durante períodos de dos años y seis años, respectivamente.

   El modelo generó puntajes de riesgo diarios para cada paciente individual de forma que, cuando se excede un umbral establecido, clasifica a los pacientes como de alto riesgo. En general, los modelos tuvieron mucho éxito al predecir qué pacientes finalmente serían diagnosticados con 'C. Difficile'.

HACIA LA ERA DE LA MEDICINA DE PRECISIÓN

   En la mitad de los infectados, se pudieron haber hecho predicciones precisas al menos cinco días antes de que se recolectaran las muestras de diagnóstico, lo que permitiría a los pacientes de mayor riesgo ser el centro de las intervenciones antimicrobianas dirigidas. Si se valida en estudios prospectivos, el puntaje de predicción de riesgo podría guiar el cribado temprano de 'C. Difficile'.

   Para los pacientes diagnosticados anteriormente en el transcurso de la enfermedad, el inicio del tratamiento podría limitar la gravedad de la enfermedad. También posibilitaría asilar a los pacientes con 'C. Difficile' confirmado y establecerse precauciones de contacto para evitar la transmisión a otros pacientes.

   El equipo de investigación ha hecho que el código de algoritmo esté disponible gratuitamente aquí para que otros lo revisen y adapten a sus instituciones individuales. Shenoy señala que las instalaciones que exploran la aplicación de algoritmos similares a sus propias instituciones deberán reunir a los expertos locales adecuados en la materia y validar el rendimiento de los modelos en sus entidades.

   El coautor del estudio Vincent Young, profesor William Henry Fitzbutler, en el Departamento de Medicina Interna de la UM, agrega: "Esto representa un avance potencialmente significativo en nuestra capacidad para identificar y finalmente actuar para prevenir la infección con 'C. difficile".

   Y añade: "La capacidad de identificar a los pacientes con mayor riesgo podrían permitirnos dirigir métodos de prevención costosos y potencialmente limitados en aquellos que obtendrían el mayor beneficio potencial. Creo que este proyecto es un gran ejemplo de un enfoque de 'ciencia de equipo' para abordar cuestiones biomédicas complejas para mejorar la atención médica, que espero ver más a medida que entramos en la era de la medicina de precisión".

Contador
Boletín de Salud

Recibe un email cada día con las noticias más importantes.