El modelo de IA predice proactivamente si una prueba de COVID-19 puede ser positiva o no

COVID-19 y sus últimas cepas de omicron continúan causando infecciones en todo el país y en todo el mundo. La serología (sangre) y las pruebas moleculares son los dos métodos más utilizados para la prueba rápida de COVID-19. Debido a que las pruebas de COVID-19 usan diferentes mecanismos, varían significativamente. Las pruebas moleculares miden la presencia de ARN viral del SARS-CoV-2 mientras que las pruebas de serología detectan la presencia de anticuerpos desencadenados por el virus SARS-CoV-2.

Actualmente, no existe ningún estudio sobre la correlación entre la serología y las pruebas moleculares y qué síntomas de COVID-19 juegan un papel clave en la producción de un resultado positivo en la prueba. Un estudio de la Facultad de Ingeniería y Ciencias de la Computación de Florida Atlantic University que utiliza el aprendizaje automático proporciona nueva evidencia importante para comprender cómo se correlacionan las pruebas moleculares frente a las pruebas serológicas, y qué características son las más útiles para distinguir entre los resultados positivos de COVID-19 y los resultados de las pruebas.

Investigadores de la Facultad de Ingeniería y Ciencias de la Computación entrenaron cinco algoritmos de clasificación para predecir los resultados de las pruebas de COVID-19. Crearon un modelo predictivo preciso utilizando características de síntomas fáciles de obtener, junto con características demográficas como la cantidad de días posteriores al inicio de los síntomas, la fiebre, la temperatura, la edad y el sexo.

El estudio demuestra que los modelos de aprendizaje automático, entrenados con síntomas simples y características demográficas, pueden ayudar a predecir las infecciones por COVID-19. Resultados, publicados en la revista Salud inteligenteidentifique las características clave de los síntomas asociados con la infección por COVID-19 y proporcione una forma de detección rápida y rentable de la infección.

Los hallazgos revelan que la cantidad de días que experimentan síntomas como fiebre y dificultad para respirar juegan un papel importante en los resultados de la prueba COVID-19. Los hallazgos también muestran que las pruebas moleculares tienen días de inicio posterior a los síntomas mucho más estrechos (entre tres y ocho días), en comparación con los días posteriores al inicio de los síntomas de las pruebas serológicas (entre cinco y 38 días). Como resultado, la prueba molecular tiene la tasa positiva más baja porque mide la infección actual.

Además, las pruebas de COVID-19 varían significativamente, en parte porque la respuesta inmune y la carga viral de los donantes, el objetivo de los diferentes métodos de prueba, cambian continuamente. Incluso para el mismo donante, podría ser posible observar diferentes resultados positivos/negativos de dos tipos de pruebas.

«Las pruebas moleculares dependen de la carga viral y las pruebas serológicas dependen de la seroconversión, que es el período durante el cual el cuerpo comienza a producir niveles detectables de anticuerpos. Ambas pruebas dependen del tiempo», dijo Xingquan «Hill» Zhu, Ph.D., autor principal y profesor en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación de la FAU. «Nuestros resultados sugieren que la cantidad de días posteriores a los síntomas es muy importante para una prueba positiva de COVID-19 y debe considerarse cuidadosamente al evaluar a los pacientes».

Para el estudio, los investigadores utilizaron los resultados de las pruebas de 2467 donantes, cada uno de los cuales se analizó con uno o varios tipos de pruebas de COVID-19, que se recopilaron como banco de pruebas. Combinaron síntomas e información demográfica para diseñar un conjunto de características para el modelado predictivo utilizando los cinco tipos de modelos de aprendizaje automático.

Mediante la verificación cruzada de los tipos de pruebas y los resultados, examinaron la correlación entre la serología y las pruebas moleculares. Para la predicción del resultado de la prueba, etiquetaron a los 2467 donantes como positivos o negativos mediante el uso de sus resultados de pruebas moleculares o de serología, y crearon características de síntomas para representar a cada donante para el aprendizaje automático.

«Debido a que COVID-19 produce una amplia gama de síntomas y el proceso de recopilación de datos es esencialmente propenso a errores, agrupamos síntomas similares en contenedores», dijo Zhu. «Sin una estandarización de los informes de síntomas, el espacio de características de los síntomas aumenta considerablemente. Para combatir esto, utilizamos este enfoque de agrupamiento, que fue capaz de disminuir el espacio de características de los síntomas manteniendo la información de características de muestra».

Mediante el uso de funciones de contenedores creadas, combinadas con los cinco algoritmos de aprendizaje automático, estos modelos predictivos lograron más del 81 % de puntajes AUC (área bajo la curva ROC, que proporciona una medida agregada de rendimiento en todos los umbrales de clasificación posibles) y más del 76 % precisión de clasificación porcentual.

«Una característica única de nuestro banco de pruebas es que algunos donantes pueden tener múltiples resultados de pruebas, lo que nos permitió analizar la relación entre las pruebas serológicas y las pruebas moleculares, y también comprender la consistencia dentro de cada tipo de prueba», dijo Zhu.

Los cinco modelos de aprendizaje automático utilizados por los investigadores son Random Forest, XGBoost, Logistic Regression, Support Vector Machine (SVM) y Neural Network. Compararon el rendimiento mediante el uso de tres métricas de rendimiento: precisión, puntuación F1 y AUC.

«El modelado predictivo se complica por muchas preguntas desconcertantes que la investigación no ha respondido. El banco de pruebas creado por nuestros investigadores es realmente novedoso y muestra claramente la correlación entre los diferentes tipos de pruebas de COVID-19», dijo Stella Batalama, Ph.D., decana de la FAU College of Ingeniería y Ciencias de la Computación.

«Nuestros investigadores han diseñado una nueva forma de reducir las características de los síntomas ruidosos para la interpretación clínica y el modelado predictivo. Estos enfoques de modelado predictivo basados ​​en IA se están volviendo cada vez más poderosos para combatir enfermedades infecciosas y muchos otros aspectos de los problemas de salud».