Las dos técnicas más populares para realizar pruebas rápidas de COVID-19 son la serología y las pruebas moleculares. Las pruebas serológicas buscan la presencia de anticuerpos provocados por el virus SARS-CoV-2 y las pruebas moleculares detectan la existencia de ARN viral del SARS-CoV-2.
Según la Universidad Atlántica de Florida presione soltaractualmente no hay investigaciones sobre la correlación entre las pruebas moleculares y serológicas y qué síntomas particulares de COVID-19 son indicativos de un resultado positivo de la prueba.
Pero con la ayuda del aprendizaje automático, un estudio de la Facultad de Ingeniería y Ciencias de la Computación de la Universidad Atlántica de Florida ofrece nueva evidencia crucial para identificar cómo se correlacionan las pruebas moleculares y las pruebas serológicas, así como qué características son más efectivas para diferenciar entre COVID-19 positivo y resultados negativos de la prueba.
Modelo predictivo de IA
Para pronosticar los resultados de la prueba COVID-19, los investigadores entrenaron cinco algoritmos de clasificación. Utilizaron características de síntomas de fácil acceso, combinadas con información demográfica como edad, sexo, fiebre y el número de días desde la aparición de los síntomas, para construir un modelo predictivo preciso.
El estudio muestra que los modelos de aprendizaje automático pueden predecir las infecciones por COVID-19 cuando se entrenan utilizando síntomas básicos y variables demográficas.
Los hallazgos, que fueron publicados en la revista Salud inteligenteidentifican los síntomas esenciales relacionados con la infección por COVID-19 y ofrecen un método para una detección rápida y un diagnóstico de infección asequible.
Además, las investigaciones indican que, en comparación con los días posteriores a la aparición de los síntomas de las pruebas serológicas entre cinco y 38 días, las pruebas moleculares tienen días posteriores a la aparición de los síntomas sustancialmente más estrechos, que son de tres y ocho días.
Descubrieron que la prueba molecular tenía la tasa positiva más baja porque detecta una infección en curso.
El equipo también observó que existen diferencias sustanciales entre las pruebas de COVID-19, ya que las respuestas inmunitarias y las cargas virales de los donantes, que son el foco de muchas metodologías de prueba, siempre están cambiando.
Por lo tanto, es posible ver varios resultados positivos/negativos de los dos tipos diferentes de pruebas, incluso para el mismo donante.
El banco de pruebas del estudio
El equipo de investigación utilizó los resultados de las pruebas de 2.467 donantes, cada uno de los cuales fue sometido a una o más pruebas de COVID-19 como banco de pruebas para el estudio.
Crearon un conjunto de características para el modelado predictivo utilizando cinco tipos diferentes de modelos de aprendizaje automático combinando síntomas y datos demográficos.
Examinaron el vínculo entre la serología y las pruebas moleculares comparando los tipos de pruebas y los resultados. Utilizaron los resultados de las pruebas serológicas o moleculares para clasificar a los 2.467 donantes como positivos o negativos para la predicción de los resultados de las pruebas, y desarrollaron características de síntomas para representar a cada donante para el aprendizaje automático.
Estos modelos predictivos lograron puntuaciones AUC de más del 81 por ciento y una precisión de clasificación de más del 76 por ciento al combinar las características del contenedor producido con las cinco técnicas de aprendizaje automático.
“Nuestros investigadores han diseñado una nueva forma de reducir las características de los síntomas ruidosos para la interpretación clínica y el modelado predictivo”, dijo en un comunicado Stella Batalama, Ph.D., decana de la Facultad de Ingeniería y Ciencias de la Computación de la FAU.
“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”.
ⓒ 2023 . .
