VIII Congreso Internacional de Investigación REDU
← vista completa
Publicado el 25 de abril de 2022 | http://doi.org/10.5867/Medwave.2022.S1.CI13
Implementación de un modelo para predecir la resistencia a carbapenémicos en Klebsiella pneumoniae mediante un algoritmo de Machine Learning
Implementation of a model to predict resistance to carbapenems in Klebsiella pneumoniae using a Machine Learning algorithm
Michelle Marcela Paredes Escobar , Rodrigo Marcelo Grijalva Silva, Sonia Elizabeth Cardenas Delgado
|
Palabras clave
Klebsiella pneumoniae, carbapenémicos, Machine Learning (ML), Extreme Gradient Boosting (XGBoost)
|
Introducción
Klebsiella pneumoniae es un patógeno oportunista asociado al ambiente intrahospitalario que provoca infecciones graves en grupos de riesgo. El tratamiento para estas infecciones incluye la administración de antibióticos carbapenémicos en casos de resistencia a otros antibióticos. La problemática de resistencia a múltiples antibióticos es particularmente seria en infecciones por K. pneumoniae, a momento tiene escala problema de salud pública en muchos paises. Además, el diagnóstico tardío y prescripción no expecíficade antibióticos deriva en altas tasas de mortalidad. Los métodos clínicos de diagnóstico incluyen los análisis microbiológicos y moleculares y los reportes pueden estar disponibles usualmente entre 48-72 horas luego de la toma de muestras o el resultado puede depender de bases de datos de genes de resistencia, las cuales pueden no estar actualizadas. Actualmente, las grandes bases de datos de genomas completos y anotación sobre resistencia antimicrobiana otorgan una alternativa prometedora para mejorar el manejo terapéutico. La inteligencia artificial (AI) se ha convertido en una herramienta relevante para el análisis masivo de estos datos.
Objetivos
Implementar un modelo basado en Machine Learning (ML) para predecir la resistencia de K. pneumoniae a los carbapenémicos de uso frecuente: imipenem y meropenem.
Método
Se construyó un set de datos conformado por 416 secuencias de genoma completo y sus fenotipos de susceptibilidad antimicrobiana. Las secuencias se dividieron en k-mers para aumentar la flexibilidad del análisis y se aplicó un estudio de asociación de genoma completo (GWAS) para corregir los problemas asociados a la estructura poblacional bacteriana. Los modelos se entrenaron mediante un algoritmo Extreme Gradient Boosting (XGBoost) optimizando tiempo y recursos computacionales.
Principales Resultados
Los modelos mostraron exactitud, precisión, sensibilidad y valor F superiores al 80% con tiempo de entrenamiento menores a los 5 minutos. Además, la capacidad de clasificación de los modelos se evaluó por medio de curvas ROC cuyas áreas bajo la curva (AUC) alcanzaron valores de 0,81.
Conclusiones
Se concluyó que los modelos basados en ML son capaces de predecir fenotipos de susceptibilidad antimicrobiana por medio del análisis masivo de datos genómicos.
|
Esta obra de Medwave está bajo una licencia Creative Commons Atribución-NoComercial 3.0 Unported. Esta licencia permite el uso, distribución y reproducción del artículo en cualquier medio, siempre y cuando se otorgue el crédito correspondiente al autor del artículo y al medio en que se publica, en este caso, Medwave.
