{"id":37201,"date":"2023-02-28T10:21:51","date_gmt":"2023-02-28T16:21:51","guid":{"rendered":"https:\/\/saluddigital.com\/?p=37201"},"modified":"2025-10-19T23:45:40","modified_gmt":"2025-10-20T05:45:40","slug":"aprendizaje-automatico-predice-resistencia-natural-a-covid-19","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/aprendizaje-automatico-predice-resistencia-natural-a-covid-19\/","title":{"rendered":"Machine learning predicts natural resistance to COVID-19"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un grupo de investigadores de Johns Hopkins ha creado y probado un modelo estad\u00edstico de aprendizaje autom\u00e1tico que predecir\u00eda qu\u00e9 personas son naturalmente resistentes a una infecci\u00f3n de SARS-CoV-2.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores de Johns Hopkins Medicine y Johns Hopkins University han creado un modelo preliminar de aprendizaje autom\u00e1tico que, a trav\u00e9s de datos de registros m\u00e9dicos electr\u00f3nicos, ser\u00eda capaz de predecir que personas tienen una resistencia natural a COVID-19.<\/p>

\u201cSi podemos identificar qu\u00e9 personas son capaces de evitar de forma natural la infecci\u00f3n por el SARS-CoV-2, podremos saber -adem\u00e1s de los factores sociales y de comportamiento- qu\u00e9 diferencias gen\u00e9ticas y ambientales influyen en su defensa contra el virus\u201d, explic\u00f3 la autora principal del estudio Kai-Wen Yang.<\/p>

Para llevar a cabo este estudio, el equipo ide\u00f3 un modelo estad\u00edstico basado en aprendizaje autom\u00e1tico, que fuera capaz de utilizar caracter\u00edsticas almacenadas en registros m\u00e9dicos electr\u00f3nicos de los pacientes. Por ejemplo, informaci\u00f3n acerca de comorbilidades, medicamentos prescritos, entre otra informaci\u00f3n que pudiera dar detalles para la identificaci\u00f3n de personas con capacidad natural para evitar la infecci\u00f3n por SARS-CoV-2.<\/p>

Seg\u00fan explican los autores, es importante identificar a estas personas, ya que podr\u00edan estudiarse para entender de mejor forma, qu\u00e9 factores permiten su resistencia al virus.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Las caracter\u00edsticas del aprendizaje autom\u00e1tico sin ideales para encontrar patrones estad\u00edsticos en fuentes de informaci\u00f3n como los registros m\u00e9dicos. \u201cEl uso de un sistema de aprendizaje autom\u00e1tico para reconocer patrones complejos en un gran n\u00famero de personas con COVID-19 permiti\u00f3 a otro equipo de investigadores de Johns Hopkins Medicine en 2021 predecir el curso del caso de un paciente individual y determinar la probabilidad de que se agravara\u201d, detall\u00f3 el coautor principal del estudio, el Dr. Stuart Ray.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Al basarse en la mencionada investigaci\u00f3n previa, el equipo decidi\u00f3 aplicar el mismo enfoque para predecir qui\u00e9n podr\u00eda estar expuesto al virus en espacios reducidos y no infectarse. En este sentido, para demostrar las capacidades del modelo para predecir la resistencia a COVID-19, los investigadores recolectaron datos del registro cl\u00ednico Johns Hopkins COVID-19 Precision Medicine Analytics Platform Registry<\/em> (JH-CROWN). Esta gran base de informaci\u00f3n contiene datos de pacientes atendidos en el sistema de salud de Johns Hopkins bajo sospechas o confirmaci\u00f3n de infecci\u00f3n por SARS-CoV-2.<\/p>

Las personas incluidas en el estudio, fueron aquellas que se aplicaron una prueba COVID-19 entre el 10 de junio y el 15 diciembre de 2020, cuando comenzaron las campa\u00f1as de vacunaci\u00f3n en Estados Unidos, y que informaron una exposici\u00f3n potencial al virus. En total participaron 8,536 personas y fueron divididos entre personas que no compart\u00edan residencia u hogar y personas que viv\u00edan en el mismo hogar. El primer grupo de 8,476 participantes, se design\u00f3 como un conjunto de entrenamiento y prueba, mientras que el segundo de 60 participantes fue denominado conjunto de \u00edndice de hogares y fue utilizado con conjunto de prueba independiente.<\/p>

Ambos conjuntos fueron analizados utilizando Maximal-frequent All-confident pattern Selection Pattern-based Clustering <\/em>o MASPC un algoritmo dise\u00f1ado para el an\u00e1lisis de registros m\u00e9dicos electr\u00f3nicos, que combinan informaci\u00f3n demogr\u00e1fica como edad, sexo y raza, as\u00ed como c\u00f3digos de diagn\u00f3stico m\u00e9dico de la Clasificaci\u00f3n Estad\u00edstica Internacional de Enfermedades y Problemas Relacionados con la Salud (CIE).<\/p>

\u201cNuestra hip\u00f3tesis era que MASPC nos permitir\u00eda agrupar pacientes con patrones similares en sus datos para definirlos como resistentes y no resistentes al SARS-CoV-2, y con la esperanza de que el algoritmo aprendiera con cada an\u00e1lisis a mejorar la precisi\u00f3n y fiabilidad de futuras asignaciones\u201d, explic\u00f3 el Dr. Ray.<\/p>

\u201cEste estudio inicial con datos de JH-CROWN se realiz\u00f3 para dar vida a esa hip\u00f3tesis, un ensayo de prueba de concepto de nuestro modelo estad\u00edstico para demostrar que la resistencia a COVID-19 podr\u00eda predecirse bas\u00e1ndose en el perfil cl\u00ednico y demogr\u00e1fico de un paciente\u201d, agreg\u00f3.<\/p>

El estudio que valida la investigaci\u00f3n realizada por los investigadores fue publicado recientemente en la revista cient\u00edfica PLOS ONE y est\u00e1 disponible abiertamente para su consulta en el siguiente enlace:<\/p>

https:\/\/journals.plos.org\/plosone\/article?id=10.1371\/journal.pone.0278466<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

JOHNS HOPKINS<\/strong><\/p>

https:\/\/www.hopkinsmedicine.org\/news\/newsroom\/news-releases\/research-team-creates-statistical-model-to-predict-covid-19-resistance<\/a><\/p>

PLOS ONE<\/strong><\/p>

https:\/\/journals.plos.org\/plosone\/article?id=10.1371\/journal.pone.0278466<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Un grupo de investigadores de Johns Hopkins ha creado y probado un modelo estad\u00edstico de aprendizaje autom\u00e1tico que predecir\u00eda qu\u00e9 personas son naturalmente resistentes a una infecci\u00f3n de SARS-CoV-2. Investigadores de Johns Hopkins Medicine y Johns Hopkins University han creado un modelo preliminar de aprendizaje autom\u00e1tico que, a trav\u00e9s de datos de registros m\u00e9dicos electr\u00f3nicos, ser\u00eda capaz de predecir que personas tienen una resistencia natural a COVID-19. \u201cSi podemos identificar qu\u00e9 personas son capaces de evitar de forma natural la infecci\u00f3n por el SARS-CoV-2, podremos saber -adem\u00e1s de los factores sociales y de comportamiento- qu\u00e9 diferencias gen\u00e9ticas y ambientales influyen en su defensa contra el virus\u201d, explic\u00f3 la autora principal del estudio Kai-Wen Yang. Para llevar a cabo este estudio, el equipo ide\u00f3 un modelo estad\u00edstico basado en aprendizaje autom\u00e1tico, que fuera capaz de utilizar caracter\u00edsticas almacenadas en registros m\u00e9dicos electr\u00f3nicos de los pacientes. Por ejemplo, informaci\u00f3n acerca de comorbilidades, medicamentos prescritos, entre otra informaci\u00f3n que pudiera dar detalles para la identificaci\u00f3n de personas con capacidad natural para evitar la infecci\u00f3n por SARS-CoV-2. Seg\u00fan explican los autores, es importante identificar a estas personas, ya que podr\u00edan estudiarse para entender de mejor forma, qu\u00e9 factores permiten su resistencia al virus. Las caracter\u00edsticas del aprendizaje autom\u00e1tico sin ideales para encontrar patrones estad\u00edsticos en fuentes de informaci\u00f3n como los registros m\u00e9dicos. \u201cEl uso de un sistema de aprendizaje autom\u00e1tico para reconocer patrones complejos en un gran n\u00famero de personas con COVID-19 permiti\u00f3 a otro equipo de investigadores de Johns Hopkins Medicine en 2021 predecir el curso del caso de un paciente individual y determinar la probabilidad de que se agravara\u201d, detall\u00f3 el coautor principal del estudio, el Dr. Stuart Ray. Al basarse en la mencionada investigaci\u00f3n previa, el equipo decidi\u00f3 aplicar el mismo enfoque para predecir qui\u00e9n podr\u00eda estar expuesto al virus en espacios reducidos y no infectarse. En este sentido, para demostrar las capacidades del modelo para predecir la resistencia a COVID-19, los investigadores recolectaron datos del registro cl\u00ednico Johns Hopkins COVID-19 Precision Medicine Analytics Platform Registry (JH-CROWN). Esta gran base de informaci\u00f3n contiene datos de pacientes atendidos en el sistema de salud de Johns Hopkins bajo sospechas o confirmaci\u00f3n de infecci\u00f3n por SARS-CoV-2. Las personas incluidas en el estudio, fueron aquellas que se aplicaron una prueba COVID-19 entre el 10 de junio y el 15 diciembre de 2020, cuando comenzaron las campa\u00f1as de vacunaci\u00f3n en Estados Unidos, y que informaron una exposici\u00f3n potencial al virus. En total participaron 8,536 personas y fueron divididos entre personas que no compart\u00edan residencia u hogar y personas que viv\u00edan en el mismo hogar. El primer grupo de 8,476 participantes, se design\u00f3 como un conjunto de entrenamiento y prueba, mientras que el segundo de 60 participantes fue denominado conjunto de \u00edndice de hogares y fue utilizado con conjunto de prueba independiente. Ambos conjuntos fueron analizados utilizando Maximal-frequent All-confident pattern Selection Pattern-based Clustering o MASPC un algoritmo dise\u00f1ado para el an\u00e1lisis de registros m\u00e9dicos electr\u00f3nicos, que combinan informaci\u00f3n demogr\u00e1fica como edad, sexo y raza, as\u00ed como c\u00f3digos de diagn\u00f3stico m\u00e9dico de la Clasificaci\u00f3n Estad\u00edstica Internacional de Enfermedades y Problemas Relacionados con la Salud (CIE). \u201cNuestra hip\u00f3tesis era que MASPC nos permitir\u00eda agrupar pacientes con patrones similares en sus datos para definirlos como resistentes y no resistentes al SARS-CoV-2, y con la esperanza de que el algoritmo aprendiera con cada an\u00e1lisis a mejorar la precisi\u00f3n y fiabilidad de futuras asignaciones\u201d, explic\u00f3 el Dr. Ray. \u201cEste estudio inicial con datos de JH-CROWN se realiz\u00f3 para dar vida a esa hip\u00f3tesis, un ensayo de prueba de concepto de nuestro modelo estad\u00edstico para demostrar que la resistencia a COVID-19 podr\u00eda predecirse bas\u00e1ndose en el perfil cl\u00ednico y demogr\u00e1fico de un paciente\u201d, agreg\u00f3. El estudio que valida la investigaci\u00f3n realizada por los investigadores fue publicado recientemente en la revista cient\u00edfica PLOS ONE y est\u00e1 disponible abiertamente para su consulta en el siguiente enlace: https:\/\/journals.plos.org\/plosone\/article?id=10.1371\/journal.pone.0278466 BIBLIOGRAF\u00cdA JOHNS HOPKINS https:\/\/www.hopkinsmedicine.org\/news\/newsroom\/news-releases\/research-team-creates-statistical-model-to-predict-covid-19-resistance PLOS ONE https:\/\/journals.plos.org\/plosone\/article?id=10.1371\/journal.pone.0278466<\/p>","protected":false},"author":1,"featured_media":37202,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-37201","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37201","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=37201"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37201\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/37202"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=37201"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=37201"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=37201"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}