Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Descubrir resultados tempranos en los pacientes COVID-19

El brote del coronavirus 2 (SARS-CoV-2) de la neumonía asiática, que es el virus responsable del pandémico de la enfermedad 2019 del coronavirus (COVID-19), ha costado las vidas de millones de gente en el mundo entero y continúa ser una amenaza global importante. El pandémico aplicó una considerable cantidad de presión en ambos hospitales y instalaciones sanitarias, pues los recursos limitados estaban disponibles para cubrir la demanda creciente de los pacientes infectados con este virus nuevo.

En estas circunstancias, los sistemas de apoyo clínicos de la decisión que se basan en análisis profético pueden ser útiles en el manejo de la emergencia. Por ejemplo, la detección temprana de COVID-19 en los pacientes que son más probables experimentar enfermedad crítica y la muerte puede ayudar en ofrecer cuidado conveniente, así como optimiza el uso de los recursos limitados.

Estudio: Detección temprana del resultado para los pacientes del ‑ 19 de COVID. Haber de imagen: pamai/Shutterstock.com del sasirin

Características clínicas de COVID-19

COVID-19 es una enfermedad respiratoria que tiene una amplia gama de presentaciones y de severidad clínicas. Considerando que algunos pacientes infectados pueden ser asintomáticos o muestran síntomas suaves, otros pueden desarrollar el síndrome de señal de socorro respiratoria agudo (ARDS) que es seguido a veces por varias complicaciones incluyendo los efectos del riñón, cardiacos, gastrointestinales, trombóticos, y neurológicos.

Varios estudios clínicos han ayudado a la caracterización de COVID-19 en diversas cohortes pacientes determinando factores de riesgo y los comorbidities para la enfermedad, así como fijando la eficacia de diversas aproximaciones terapéuticas que se están ejecutando en el mundo entero. Aunque se estén realizando varios estudios, el mecanismo detallado de la enfermedad todavía no se entiende completo. Por lo tanto, la evaluación del riesgo a la hora de la hospitalización es difícil de realizarse, especialmente en pacientes con varios factores de riesgo.

Varias vacunas están disponibles contra COVID-19; sin embargo, muchos investigadores creen que no vacunarán a la mayoría de la gente en países de bajos ingresos probablemente contra COVID-19 hasta por lo menos finales de 2022. Además, la aparición de las variantes SARS-CoV-2 también ha amenazado a la eficacia de estas vacunas. Así, puede ser concluido que el mejor tratamiento contra COVID-19 tiene todavía ser establecido.

las tecnologías y los modelos proféticos Artificial-inteligencia-basados se pueden emplear para ayudar con una evaluación de riesgo. Éstos incluyen el análisis automático de la radiografía del pulmón y la tomografía calculada (CT) explora para ayudar a los procesos diagnósticos y pronósticos de COVID-19. El aprendizaje de máquina también se ha empleado distinguir entre COVID-19 y otras formas de la pulmonía. Los estudios pronósticos basados en datos clínicos también se están utilizando; sin embargo, requieren estudio adicional puesto que la mayor parte de los modelos todavía no son bastante maduros.

Un nuevo estudio de naturaleza apuntó predecir los datos clínicos basados en resultados clínicos. El estudio actual tenía dos objetivos principales, los primeros eran determinar las variables clínicas que podrían predecir resultados clínicos finales y así ser útiles en la toma de decisión clínica. El segundo objetivo era construir los modelos proféticos que podrían determinar a pacientes críticos durante la hospitalización.

Sobre el estudio

El estudio actual implicó dos grupos de datos de los pacientes que fueron admitidos en tres diversas unidades del hospital de la universidad de Pisa en Italia durante las primeras y segundas ondas del pandémico COVID-19. Los datos curated manualmente, así como de los archivos electrónicos obtenidos de las tres unidades.

El grupo de datos contenido sobre 125 variables, fuera de las cuales seis variables proféticas clínicas fueron seleccionadas con el uso de una característica híbrida del filtro/de la envoltura que fue basada en un algoritmo genético. El seis seleccionaron niveles incluidos las variables de la troponina, edad, niveles del nitrógeno de urea (BUN) de sangre, relación F del p, la presencia de mialgia, y la presencia de enfermedad pulmonar obstructiva crónica (COPD).

Estas variables fueron utilizadas para construir los modelos proféticos que fueron basados en la regresión logística (LR), árboles de decisión (DT), bosques al azar (RF), bayes ingenuo (NB), y las máquinas del vector del apoyo (SVM). El funcionamiento de los modelos proféticos fue evaluado basó en su exactitud y muesca F1. La validación cruzada fue realizada en todos los pacientes que hicieron esas variables medir.

Los métodos del estudio también fueron comparados a la selección de características estándar del filtro usando la eliminación recurrente de la característica (RFE). Finalmente, el agrupamiento de todas las variables clínicas fue hecho para ofrecer una mejor vista de los biomarkers seleccionados.

Conclusión del estudio

Los resultados del estudio indicaron que las seis variables seleccionadas por el algoritmo general proporcionaron el fuerte apoyo en la literatura médica en COVID-19. La relación F del p, por ejemplo, es una variable clínica importante que ayuda en la toma de decisión clínica de los requisitos para la ventilación externa y la oxigenación de pacientes.

Una edad más alta es también un factor de riesgo importante que ha sido seleccionado correctamente por el algoritmo. COPD es también una variable importante que ayuda a determinar a pacientes con enfermedad pulmonar crónica.

La variable de la troponina ayuda a reconocer el eslabón entre la enfermedad cardiovascular y COVID-19, mientras que la variable del BOLLO ayuda a determinar cualquier enfermedad de riñón crónica preexistente. La variable pasada de la mialgia sugiere que, dependiendo del caso, la enfermedad pueda convertirse contra diversos órganos de objetivo.

El procedimiento de la selección de características estándar implicó dos diversos umbrales del abrigo de abrigo paciente del 90% y del 75%. Para el umbral del 90%, fue observado que las variables superiores de P/F y de la edad eran lo mismo que las que está seleccionadas por el algoritmo general. También fue observado que la troponina y los niveles del BOLLO no fueron seleccionados, pues no cayeron bajo umbral del abrigo 90%patient.

Los resultados también indicaron que cuatro fuera de los cinco modelos proféticos incluidos en el estudio ofrecieron una exactitud de la clasificación de sobre el 85% durante la primera onda del pandémico. Por otra parte, el mejor resultado fue mostrado por LR seguida por el RF, despegue, y SVM. Durante la segunda onda, solamente despegue mostró un nivel de la exactitud del 85%, mientras que los otros mostraron niveles mucho más inferiores de la exactitud.

Muchas variables clínicas fueron encontradas para faltar para los primeros grupos de datos de la onda. La implicación de los valores faltantes permitió que los autores probaran el funcionamiento de los modelos proféticos, así como la validez de las variables seleccionadas.

Para las variables seleccionadas, no se observó ninguna diferencia entre los valores reales e imputados. Para los modelos proféticos, fue observado que LR y el RF mostraron una reducción ligera en exactitud, mientras que SVM y la NOTA experimentaron un aumento ligero.

Entre los cinco modelos proféticos usados en el estudio, los modelos solamente de despegue y de LR eran considerados interpretables. El modelo de LR podría ser interpretado estudiando los coeficientes de regresión, mientras que el modelo de despegue ofrece una descripción visual del grupo de datos que se basa en las variables clínicas. El modelo de despegue también ayuda a clasificar a un nuevo paciente fácilmente.

Finalmente, el agrupamiento de las variables determinó que el seis seleccionaron variables pertenecieron a cinco diversos atados, que también ayudaron a determinar las otras enfermedades que tenían síntomas clínicos comunes. Esto podía ayudar más lejos a determinar el eslabón entre esas enfermedades y COVID-19.

Aunque los investigadores del estudio actual hicieran considerables esfuerzos de seguir prácticas externas convenientes de la validación, una limitación importante es que este estudio incluyó datos de solamente un hospital. Así, el modelo actual necesita ser aplicado a grupos de datos más grandes y en las ubicaciones diferentes de modo que puedan ayudar en la toma de decisión clínica en tal hora de la emergencia.

Journal reference:
Suchandrima Bhowmik

Written by

Suchandrima Bhowmik

Suchandrima has a Bachelor of Science (B.Sc.) degree in Microbiology and a Master of Science (M.Sc.) degree in Microbiology from the University of Calcutta, India. The study of health and diseases was always very important to her. In addition to Microbiology, she also gained extensive knowledge in Biochemistry, Immunology, Medical Microbiology, Metabolism, and Biotechnology as part of her master's degree.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Bhowmik, Suchandrima. (2021, September 21). Descubrir resultados tempranos en los pacientes COVID-19. News-Medical. Retrieved on December 01, 2021 from https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.

  • MLA

    Bhowmik, Suchandrima. "Descubrir resultados tempranos en los pacientes COVID-19". News-Medical. 01 December 2021. <https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx>.

  • Chicago

    Bhowmik, Suchandrima. "Descubrir resultados tempranos en los pacientes COVID-19". News-Medical. https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx. (accessed December 01, 2021).

  • Harvard

    Bhowmik, Suchandrima. 2021. Descubrir resultados tempranos en los pacientes COVID-19. News-Medical, viewed 01 December 2021, https://www.news-medical.net/news/20210921/Detecting-early-outcomes-in-COVID-19-patients.aspx.