Estado clínico de COVID-19 asociado con la gravedad del resultado: un enfoque de aprendizaje automático no supervisado

Desde el comienzo de la pandemia de COVID-19, 195 millones de personas se han infectado y 4,2 millones han muerto a causa de la enfermedad o sus efectos secundarios. Los médicos, los científicos de la salud y el personal médico intentan lidiar continuamente con admisiones hospitalarias sobrecargadas, mientras que, en paralelo, intentan identificar correlaciones significativas entre la gravedad de los pacientes infectados con sus síntomas, comorbilidades y biomarcadores. La inteligencia artificial (IA) y el aprendizaje automático (ML) se han utilizado recientemente en muchas áreas relacionadas con la atención médica de COVID-19. El objetivo principal es gestionar de forma eficaz la amplia variedad de cuestiones relacionadas con el COVID-19 y sus consecuencias. Las aplicaciones existentes de ML para la atención médica de COVID-19 se basan en una clasificación supervisada que requiere un conjunto de datos de capacitación etiquetado, que sirve como punto de referencia para el aprendizaje, así como clases predefinidas. Sin embargo, el conocimiento existente sobre el COVID-19 y sus consecuencias aún no es sólido y los puntos de acuerdo común entre las diferentes comunidades científicas aún no están claros.

Por lo tanto, este estudio tuvo como objetivo seguir un enfoque de agrupamiento no supervisado, donde no se requiere conocimiento previo (tabula rasa).

Más específicamente, 268 pacientes hospitalizados en el Primer Departamento Propedéutico de Medicina Interna del Hospital Universitario AHEPA de Thessaloniki fueron evaluados en términos de 40 variables clínicas (numéricas y categóricas), lo que condujo a un conjunto de datos de alta dimensionalidad. La reducción de la dimensionalidad se realizó aplicando el Análisis de Componentes Principales (PCA) en la parte numérica del conjunto de datos y el Análisis de Correspondencia Múltiple (MCA) en la parte categórica del conjunto de datos. Luego, se aplicó el Criterio de Información Bayesiano (BIC) a los Modelos de Mezcla Gaussiana (GMM) para identificar el número óptimo de conglomerados, bajo el cual ocurre la mejor agrupación de pacientes.

La metodología propuesta identificó 4 clusters de pacientes con características clínicas similares. El análisis reveló un grupo de pacientes asintomáticos que resultaron en muerte a una tasa del 23,8%.

Este sorprendente resultado nos obliga a reconsiderar la relación entre la gravedad de los síntomas clínicos de COVID-19 y la mortalidad de los pacientes.