Nature publicó una nueva investigación basada en Inteligencia Artificial que, gracias a más de 50 mil pruebas estudiadas, sería capaz de predecir COVID-19 al realizar algunas preguntas básicas.
La aplicación de pruebas, el aislamiento rápido de pacientes contagiados, así como el rastreo de contactos son medidas importantes para frenar la transmisión del virus y así reducir la mortalidad por COVID-19. De igual importancia para los sistemas de salud es el diagnóstico rápido y eficiente, para ello se han desarrollado modelos de predicción que pueden estimar el riesgo de infección. Estos tienen como objetivo facilitar la clasificación de pacientes para aprovechar mejor los recursos disponibles.
En la investigación publicada por Nature y su revista npj Digital Medicine titulada: “Predicción basada en el aprendizaje automático del diagnóstico de COVID-19 basado en los síntomas”, los investigadores planearon un enfoque basado en aprendizaje automático con registros de 51 mil 831 personas probadas, de las cuales 4 mil 769 resultaron positivas. Los datos fueron obtenidos del Ministerios de Salud de Israel, lugar de origen de los investigadores.
El modelo predijo los resultados de pruebas al utilizar ocho características: sexo, edad >60 años, contacto con infectados, y la aparición de cinco síntomas. De esta manera se pueden priorizar las pruebas de COVID-19 cuando los recursos son limitados.
A continuación, la lista de las características sobre las que fue desarrollado el modelo de predicción, con su categoría y sus opciones de respuesta:
- Información básica: Sexo (hombre / mujer) y Edad ≥60 años (verdadero / falso).
- Síntomas: Tos (verdadero / falso), Fiebre (verdadero / falso), Dolor de garganta (verdadero / falso), Dificultad para respirar (verdadero / falso), Dolor de cabeza (verdadero / falso).
- Otra información: Contacto conocido con un individuo con caso confirmado de COVID-19 (verdadero / falso).
Los investigadores aceptaron algunas limitantes del modelo, debido a los datos disponibles sobre síntomas autoinformados y el contacto de personas con pacientes confirmados: “Demostramos que entrenar y probar un modelo mientras se filtraban los síntomas de alto sesgo por adelantado aún lograba una precisión muy alta. También observamos que todos los síntomas fueron autoinformados y un valor negativo para un síntoma podría significar que no se informó el síntoma. Por lo tanto, es importante evaluar el desempeño del modelo en la circunstancia de que falten o no se informen más valores que con valores negativos”, explican en el apartado de discusión.
Sin embargo, en la investigación explican que realizaron pruebas aleatorias para probar el modelo y obtuvieron resultados importantes, por lo que confían por la eficacia del modelo: “Para simular una condición menos sesgada, en nuestro conjunto de pruebas prospectivas, seleccionamos al azar informes negativos de los cinco síntomas a la vez y eliminamos los valores negativos. Cuando se aplicó a estos conjuntos de prueba simulados, el modelo aún mostró resultados prometedores, lo que refuerza nuestra confianza en el modelo”, concluyen.
Para leer el artículo completo consulta el siguiente enlace: https://www.nature.com/articles/s41746-020-00372-6#Abs1
