La inteligencia artificial puede ayudar a los pacientes a interpretar las pruebas caseras para COVID-19

Una nueva investigación de aprendizaje automático dirigida por el profesor Farrokh Alemi y el profesor Janusz Wojtusiak de la Universidad George Mason proporciona una forma para que los pacientes y los médicos predigan mejor si los síntomas se deben a COVID-19, influenza o RSV.

Un diagnóstico más preciso conduce a mejores decisiones sobre el curso de la atención para curar a los pacientes y evitar que la enfermedad se propague. Con otros investigadores de la Universidad George Mason y Vibrent Health, Alemi y Wojtusiak publicaron recientemente una serie de artículos en una edición especial de la Revista de gestión de calidad en el cuidado de la salud discutiendo cómo la inteligencia artificial (IA) puede ayudar en el diagnóstico de COVID a partir de una combinación de síntomas y pruebas caseras.

Con su investigación, Alemi y Wojtusiak ahora están trabajando en un sitio web para ofrecer un recurso basado en IA para ayudar a las personas a identificar las acciones recomendadas como resultado de su perfil clínico y los resultados de las pruebas de COVID en el hogar.

«Vemos que la IA está trabajando para mejorar radicalmente las decisiones de clasificación clínica y de prueba para tratar», dijo Wojtusiak.

Alemi agregó: «La inteligencia artificial permitirá que las personas se sientan más seguras sobre sus decisiones de quedarse en casa, buscar atención o aislarse socialmente. Muchas personas se hacen la prueba al final de sus síntomas y, sorprendentemente, descubren que todavía son positivos. ¿Qué hace uno si ¿Los síntomas y los resultados de las pruebas caseras no concuerdan? Nuestra IA ayudará a estas personas a comprender cómo proceder».

El estudio en el documento 1 (como se enumera a continuación) encontró que el momento de los síntomas es importante en un diagnóstico de COVID. Por ejemplo, una secreción nasal como síntoma temprano aumentó las probabilidades de dar positivo por COVID, y una secreción nasal como síntoma que ocurrió más tarde disminuyó las probabilidades. De manera similar, la fiebre casi siempre es un síntoma tardío, por lo que la falta de fiebre al principio no debe usarse para descartar COVID.

Los resultados del artículo 2 encontraron que la COVID no se puede diagnosticar a partir de síntomas individuales; sin embargo, un grupo de tres o más síntomas puede ayudar en el diagnóstico. Los hallazgos del artículo 4 encontraron que la precisión del diagnóstico de los síntomas de COVID era más alta cuando estaban presentes síntomas de diferentes síntomas corporales. Por ejemplo, una combinación de síntomas neurológicos y respiratorios comunes fue más diagnóstica que cualquiera de los conjuntos de síntomas individualmente. Además, la COVID tiene diferentes presentaciones según la edad, la gravedad de la enfermedad y las mutaciones del virus.

El artículo 3 analiza cómo la detección de síntomas de IA podría mejorar, y para las personas vacunadas, reemplazar las pruebas de antígenos en el hogar. Las pruebas en el hogar no siempre son precisas y requieren una revisión clínica, pero estas pruebas se realizan en el hogar donde no se dispone de dicha revisión. La detección de síntomas de IA puede ayudar a que estas pruebas sean más precisas. El estudio informa que la detección de síntomas de IA es más precisa que realizar una segunda prueba en el hogar.

Los cuatro artículos publicados en el suplemento especial son:

1. Orden de aparición de los síntomas de COVID-19
2. El papel de los grupos de síntomas en la clasificación de pacientes con COVID-19
3. Detección combinada de síntomas y pruebas en el hogar para COVID-19
4. Directrices para el triaje de pacientes con COVID-19 que presentan síntomas multisistémicos

También se publicó en Revista de gestión de calidad en el cuidado de la salud en abril/junio de 2022.

Alemi fue el investigador principal de Mason. Mason era un subcontratista de Vibrant Health, donde Praduman Jain era el investigador principal del proyecto. (Jain es miembro del consejo asesor de Mason’s College of Public Health). Otros investigadores afiliados a Mason en estos proyectos incluyen a la profesora asociada Amira Roess, el miembro afiliado de la facultad Jee Vang, la estudiante de doctorado Elina Guralnik y el exalumno y profesor adjunto Wejdan Bagais. Rachele Peterson y Josh Schilling de Vibrent Health y F. Gerard Moeller de Virginia Commonwealth University también formaron parte del equipo de investigación.

Los métodos utilizados en estos cinco artículos varían. En el artículo 4, los investigadores realizaron un metanálisis de la literatura, utilizando datos de artículos publicados. En los otros artículos, los investigadores encuestaron a pacientes que se sometieron a una prueba de PCR y examinaron la relación entre los síntomas de los pacientes y los resultados de la prueba de PCR. La mayor parte de la investigación se realizó con datos recopilados entre octubre de 2020 y enero de 2021, antes de las variantes actuales, como BA.5 o BQ.1.

Las publicaciones anteriores relacionadas de estos investigadores incluyen un estudio que examina cómo las computadoras pueden distinguir entre COVID-19 y la gripe y un análisis de los estudiantes universitarios sintomáticos y el distanciamiento social.