Investigadores buscan encontrar correlaciones entre tests serológicos y moleculares para detección de COVID-19 a través de Inteligencia Artificial (IA).
Estudio realizado en Florida Atlantic University muestra cómo el uso de aprendizaje automático proporciona nueva evidencia en el conocimiento acerca de cómo los tests moleculares y tests serológicos están correlacionados.
Las pruebas serológicas (sangre) y las moleculares son los métodos más importantes para la detección de COVID-19 en menor tiempo. Ambas pruebas utilizan mecanismos distintos. Por ejemplo, los tests moleculares evalúan la presencia viral de ARN de SARS-CoV-2, mientras que los serológicos detectan la presencia de anticuerpos afectados por el mismo virus.
En este sentido los investigadores de ingeniería e informática de FAU entrenaron cinco clasificaciones para predecir resultados de pruebas COVID. El modelo predictivo utiliza datos fáciles de obtener como características de los síntomas, datos demográficos, número de días después de los síntomas, fiebre, temperatura corporal, edad y sexo.
Los investigadores publicaron un estudio que muestra los hallazgos de este modelo predictivo en la revista científica Smart Health. El cual muestra que los modelos de aprendizaje automático pueden predecir las infecciones por COVID-19 a través de características sintomáticas clave.
El número de días que los pacientes experimentan síntomas como fiebre y dificultad para respirar desempeñan un papel importante en los resultados de pruebas COVID. Asimismo, las pruebas moleculares cuentan con menos días posteriores a la aparición de los síntomas, entre tres a ocho días a diferencia de las pruebas serológicas que varía entre cinco hasta 38 días. De esta forma la prueba molecular tiene una tasa de casos positivos más baja ya que mide la infección actual solamente.
“Nuestros resultados sugieren que el número de días posteriores a la aparición de los síntomas es muy importante para obtener un resultado positivo en la prueba COVID-19 y debe tenerse muy en cuenta a la hora de examinar a los pacientes”, explicó el Dr. Xingquan “Hill” Zhu autor principal del estudio.
El estudio contó con el apoyo de un banco de pruebas de resultados de más de 2 mil 400 donantes con una o varias pruebas de cada participante y además con pruebas moleculares o serológicas. “El modelado predictivo es complicado por muchas cuestiones desconcertantes sin respuesta en la investigación. El banco de pruebas creado por nuestros investigadores es realmente novedoso y muestra claramente la correlación entre los distintos tipos de pruebas COVID-19”, explicó la Dra. Stella Batalama, profesora de FAU.
Asimismo, la Dra. Batalama, explicó que los investigadores han desarrollado una nueva forma de reducir características de síntomas que causan dificultes en la interpretación clínica. “Estos enfoques de modelado predictivo basados en IA son cada vez más potentes para combatir las enfermedades infecciosas y muchos otros aspectos de la salud”, concluyó.
