p Uma equipe de pesquisadores da Medical University of Vienna avaliou recentemente a eficácia das estratégias de aprendizado de máquina para identificar bacteriemia em pacientes afetados pela síndrome da resposta inflamatória sistêmica (SIRS). Seu estudo, publicado em Relatórios Científicos , reuniram resultados desanimadores, já que os métodos de aprendizado de máquina não podem atingir uma precisão melhor do que as técnicas de diagnóstico atuais. p A bacteremia é uma condição médica frequente caracterizada pela presença de bactérias no sangue, com uma taxa de mortalidade variando entre 13 por cento e 21 por cento. Pesquisas anteriores sugerem que uma série de fatores estão associados ao risco de desenvolver esta condição, incluindo idade avançada, cateter vascular urinário ou permanente, quimioterapia, e terapias imunossupressoras.

p O diagnóstico precoce da bacteriemia é de importância crucial para a sobrevivência dos pacientes afetados, pois requerem tratamento imediato com antibióticos apropriados. Atualmente, a análise de hemocultura (CB) é o principal método de diagnóstico da doença. Contudo, este método está longe de ser ideal, pois muitas vezes é difícil determinar quem deve se submeter à análise de BC, os resultados precisam de cerca de três dias para serem processados, e pode levar a cerca de 8% dos falsos positivos.

p Os pesquisadores estão, portanto, tentando identificar biomarcadores ou ferramentas de previsão que possam identificar melhor os pacientes com alto risco de bacteremia. Até aqui, procalcitonina (PCT) foi considerada o melhor biomarcador para detectar a condição, com uma sensibilidade combinada de 76 por cento e uma especificidade combinada de 69 por cento.

p Em seu estudo, os pesquisadores investigaram se as estratégias de aprendizado de máquina poderiam melhorar o desempenho diagnóstico da PCT na identificação de bacteriemia, particularmente em pacientes com dois ou mais sintomas de SIRS que não exigiram análise de BC. Eles coletaram dados de 466 pacientes que atenderam aos critérios e usaram um painel de 29 parâmetros de dados clínicos, níveis de expressão de citocinas e marcadores de laboratório padrão para treinar seu modelo preditivo.

p "O principal objetivo do nosso estudo foi mostrar se a presença de bactérias no sangue de um paciente após eles terem exibido reações inflamatórias pode ser prevista precocemente e melhor do que é possível atualmente, usando parâmetros de laboratório e aprendizado de máquina, "Georg Dorffner, um dos pesquisadores que realizou o estudo, disse Tech Xplore. "Para aquele propósito, conduzimos um grande estudo com pacientes de nossa clínica universitária (AKH Viena) para coletar os dados necessários. "

p Doffner e seus colegas usaram alguns modelos preditivos populares no campo do aprendizado de máquina, avaliando a respectiva eficácia. Eles se concentraram especialmente em dois modelos, um usando redes neurais e o outro chamado floresta aleatória.

p "Um dos modelos que usamos é chamado de 'rede neural, 'e encontra boas combinações de valores de laboratório, de modo a também fazer previsões não lineares (ou seja, não proporcionais), "Dorffner explicou." Outro - na verdade, o de melhor desempenho - é chamado de 'floresta aleatória, 'e consiste em um grande número das chamadas árvores de decisão, onde cada árvore tenta tomar uma série de decisões passo a passo, cada um com base em um único valor de laboratório, quanto a qual é a melhor previsão. Essas árvores, então, trabalham todas juntas como um comitê (portanto, o nome 'floresta'). "

p Em seu estudo, a estratégia de floresta aleatória obteve os melhores resultados na previsão de bacteriemia. Contudo, alcançou uma precisão diagnóstica igual à do biomarcador PCT, sugerindo que as técnicas populares de aprendizado de máquina são incapazes de prever a condição melhor do que os métodos atualmente empregados.

p "Nossa descoberta mais significativa foi que um conjunto de vários valores de laboratório não poderia levar a uma previsão melhor do que o valor que todos estão usando, ou seja, o nível de procalcitonina no sangue, "Dorffner explicou." Portanto, o aprendizado de máquina realmente não ajudou a avançar a rotina clínica neste caso. Ainda foi um esforço que valeu a pena, como nossos resultados dizem a outros pesquisadores que o problema não é aparentemente previsível, poupando-os de mais trabalho desnecessário nessa direção. "

p Embora os resultados coletados por Dorffner e seus colegas tenham sido um tanto decepcionantes, eles oferecem informações valiosas para pesquisas futuras, descrevendo as dificuldades de usar o aprendizado de máquina para identificar bacteriemia em pacientes com SIRS.

p "Agora estamos nos concentrando em outras aplicações clínicas em que o aprendizado de máquina é provavelmente mais promissor para fazer previsões ou diagnósticos, "Dorffner disse." Por exemplo, junto com cardiologistas, estamos desenvolvendo um sistema de aprendizagem baseado em imagens de RM para detectar a doença rara, mas importante, da amiloidose cardíaca. " p © 2018 Medical Xpress