El modelo de aprendizaje automático ayuda a identificar la resistencia a los antibióticos clave para el tratamiento de la tuberculosis

La tuberculosis (TB) sigue siendo una de las diez principales causas de muerte en todo el mundo, con más de 1,3 millones de muertes notificadas en 2020. La aparición y propagación de formas de la enfermedad resistentes a los medicamentos ha complicado el control de la TB en muchos entornos. Al desafío se suma el hecho de que tratar la TB resistente a los medicamentos es difícil (la tasa de éxito fue del 57 % en 2019), prolongado (el tratamiento puede demorar de 9 a 20 meses) y multifacético (el tratamiento a menudo requiere múltiples antibióticos que causan efectos secundarios graves). ).

Una clase crítica de antibióticos para el tratamiento de la TB resistente a los medicamentos son las fluoroquinolonas, que forman la columna vertebral de la mayoría de los regímenes de TB resistente a los medicamentos. Sin embargo, las cepas de TB han evolucionado para volverse resistentes a las fluoroquinolonas, lo que socava la eficacia de los regímenes de tratamiento que incluyen esa clase de antibiótico. Las mejores opciones de tratamiento para pacientes con TB resistente a los medicamentos se determinan idealmente mediante el uso de pruebas de susceptibilidad a los medicamentos, que pueden determinar fenotípicamente la eficacia de los antibióticos contra una cepa de TB en particular. Sin embargo, estas pruebas son escasas en entornos de bajos recursos y alta carga, lo que significa que las personas en estas regiones no pueden recibir el tratamiento especializado que mejor puede tratar su TB. Además, aunque estén disponibles, las pruebas fenotípicas pueden tardar hasta 12 semanas en dar resultados.

Reza Yaesoubi, profesor asistente de políticas de salud en la Escuela de Salud Pública de Yale, y su equipo de investigadores han estado trabajando en modelos para predecir la resistencia a las fluoroquinolonas, lo que podría acelerar el proceso de brindar una atención óptima. Trabajando con los datos nacionales de TB recopilados en la República de Moldavia, el equipo evaluó si los factores demográficos y clínicos podrían utilizarse como predictores de la resistencia de la TB a las fluoroquinolonas. Descubrieron que información como la edad, la ubicación geográfica y si la enfermedad de TB era nueva o una recaída servían como predictores confiables de resistencia. A partir de esto, crearon un modelo a través del aprendizaje automático para estimar la probabilidad de que el paciente esté infectado con una cepa de TB resistente a la fluoroquinolona.

«Una de las principales ventajas de estos modelos predictivos es que se pueden implementar en el punto de atención para permitir que los médicos optimicen el régimen de tratamiento mientras esperan el resultado de las pruebas de susceptibilidad a los medicamentos, que pueden demorar hasta 12 semanas», dijo Yaesoubi. .

A diferencia de la estrategia actual para tratar la TB resistente a los medicamentos, que inicialmente asume la susceptibilidad a las fluoroquinolonas, el modelo de Yaesoubi explica cómo las circunstancias de los individuos influyen en la probabilidad de resistencia a las fluoroquinolonas y cuándo se deben usar antibióticos alternativos (como delamanid) en su lugar.

A través de rigurosos análisis y pruebas, los investigadores encontraron que el nuevo modelo tenía un beneficio neto estadísticamente mayor al designar el tratamiento apropiado para pacientes con TB resistente a los medicamentos. Estos hallazgos prometen un sistema que permitirá un mejor tratamiento de los pacientes con TB, dijo Yaesoubi. De cara al futuro, espera expandir el modelo más allá de los datos recopilados de la República de Moldavia para incluir otras regiones con escasez de recursos y alta carga.

«Estamos planeando investigar si se pueden desarrollar modelos predictivos similares para otras clases críticas de antibióticos y para otros países con una alta carga de TB resistente a los medicamentos», dijo.

El estudio aparece en PLOS Salud Digital.