Uso de inteligencia artificial en la predisposición genética a enfermedad crítica por COVID-19: evaluación comparativa de modelos de aprendizaje automático

• DOI: 10.1515/almed-2024-0129
• Publication Date: 2025-04-01T19:44:37Z
• Authors: Salomon Martin Perez; Flora Sanchez Jim...; Sandra Fuentes Ca...; Marta Jímenez Bar...; Catalina Sanchez ...; Juan M. Borreguer...; Teresa Arrobas Ve...; Agustín Valido Mo...; Juan A. Delgado T...; Antonio León-Justel

Resumen

Objetivos La predicción temprana de enfermedad crítica por COVID-19 es crucial para optimizar el manejo clínico. Este estudio tiene como objetivo optimizar la predicción de enfermedad crítica por COVID-19 mediante la integración de datos clínicos, de laboratorio y polimorfismos genéticos en modelos de inteligencia artificial, evaluando y comparando el rendimiento de distintos algoritmos de aprendizaje automático.

Métodos Se analizaron 155 pacientes hospitalizados, 23 de los cuales desarrollaron enfermedad crítica. Se realizó un análisis univariante para evaluar la asociación entre siete SNPs y 9 variables clínicas y 10 parámetros de laboratorio en la analítica al ingreso.

Resultados De los 7 SNPS, solo tres SNPs se asociaron significativamente con enfermedad crítica: rs77534576, rs10774671 y rs10490770. Los modelos de ensemble consiguieron el mejor rendimiento: Random Forest (AUC=0,989), XGBoost (AUC=0,954) y AdaBoost (AUC=0,927). La importancia de las variables varió entre los modelos, destacando la edad, proteína C reactiva, cardiopatías y los tres SNPs en la mayoría de ellos. La incorporación de los SNPs mejoró el poder predictivo en comparación con estudios previos sin datos genéticos. La validación interna confirmó la superioridad y estabilidad de los modelos de ensemble.

Conclusiones Los modelos de aprendizaje automático pueden ayudar en la predicción por enfermedad crítica por Covid-19. La incorporación de SNPs asociados a gravedad a los datos clínicos y de laboratorio mejora el poder predictivo. Se requieren estudios adicionales con cohortes más grandes y diversas para validar y generalizar estos hallazgos antes de su aplicación clínica.