Uso de Metabolitos para el Desarrollo de Modelo de Aprendizaje Automático para el Diagnóstico y Predicción de Enfermedad Grave del COVID-19

Abstract

El surgimiento del virus SARS-CoV 2 ha sido causante de una de las peores crisis sanitarias globales de las últimas décadas. A pesar de los distintos esfuerzos realizados por investigadores, médicos y otros sectores en todo el mundo, los resultados no han sido tan satisfactorios, evidenciando que el sistema de salud como se ha concebido hasta el momento no se encuentra completamente preparado para enfrentar este tipo de situaciones. Desde el inicio de la pandemia, uno de los principales causantes de su alta propagación alrededor del mundo fue la falta de métodos de diagnóstico eficaces, fáciles de producir y distribuir, que permitieran la detección de una gran proporción de las personas infectadas. Así mismo, se carecía de métodos para inferir el nivel de severidad de las enfermedades en los pacientes, lo que dificultó la gestión más efectiva de los recursos disponibles. Por ello, en este trabajo realizamos una investigación sobre el uso de modelos de aprendizaje automático, combinado con datos del perfil metabólico de los pacientes, para su uso como herramientas eficaces de diagnóstico y pronóstico (predicción de nivel de severidad en pacientes enfermos) de COVID-19. Los resultados muestran modelos confiables, capaces de diagnosticar con una alta precisión y sensibilidad a los pacientes. Durante el entrenamiento, el modelo alcanza una exactitud balanceada de 95.8% (precisión=98.8%, sensibilidad = 92.9% y especificidad=96.0%), mientras que en conjunto de prueba (con datos ciegos), la exactitud balanceada es de 91.7% (sensibilidad, especificidad y precisión=0.91.7%). Por otro lado, el modelo obtiene también un desempeño alto para clasificar a los pacientes enfermos que desarrollan una enfermedad grave (precisión, sensibilidad, y exactitud balanceada de 79%). Así, el modelo propuesto muestra un alto potencial como una herramienta médica alternativa a las existentes o bien como un posible enfoque en enfermedades futuras, con un desempeño similar a los logrados por dichas técnicas, y con la capacidad de realizar también una predicción del nivel de severidad de los enfermos.