GKA Events | GKAEvents

Sign In

Clasificación De Pacientes Con Covid-19 Mediante Máquina Se Soporte Vectorial

Identifier

Event

Language

Presentation type

Topic it belongs to

Subtopic it belongs to

Title of the presentation (use both uppercase and lowercase letters)

Presentation abstract

Clasificación De Pacientes Con Covid-19 Mediante Máquina Se Soporte Vectorial Objetivo: Diseñar un modelo, basado en Máquina de Soporte Vectorial, para la clasificación de pacientes con COVID-19, según su riesgo clínico. Materiales y métodos: Para desarrollar la presente investigación, se tomaron datos de 1000 registros de pacientes de dos centros de salud; los datos fueron validados en cuanto a la consistencia según el riesgo clínico, la construcción del modelo a seguido la Metodología del Aprendizaje Automático. Resultados: Se ha diseñado un modelo basado en Máquina de Soporte Vectorial, para la clasificación de pacientes con COVID 19. Dicho modelo fue entrenado y validado para los kernels lineal, polinomial, radial y sigmoide, con los parametros optimizados C=100 y Gamma=0,001. La precisión del kernel lineal fue de 95% para el rango clínico leve, 96% para el moderado y 91% para el severo; para el kernel polinomial presenta 98% para el rango clínico leve, 92% para el moderado y 95% para el severo; la precisión para el kernel radial presenta 96% para el rango clínico leve; 96% para el moderado y 91% para el severo, mientras que la presición para el kernel sigmoide presenta 96% para el rango clínico leve, 89% para el moderado y 98% para el severo. Se validó el modelo mediante la matriz de confusión. Conclusión: Se optó por el modelo de clasificación basado en una Máquina de Soporte Vectorial, con un kernel polinomial por la eficiencia y sensibilidad de 95% en promedio macro y ponderado, mayor con respecto a los resultados obtenidos mediante los kerneles: lineal, radial y sigmoide.

Long abstract of your presentation

Clasificación De Pacientes Con Covid-19 Mediante Máquina Se Soporte Vectorial.

El 21 de diciembre del 2019, los médicos chinos reportaron casos de neuminía atípica en docenas de enfermos en Wuhan.  Al respecto Mojica-Crespo & Morales-Crespo (2020).   Manifiesta:

A finales de diciembre del 2019 se reportaron una serie de casos de neumonía atípica, en ese momento de origen desconocido, en Wuhan, China. Días más tarde se identificó al agente etiológico como un nuevo coronavirus. A este nuevo coronavirus se le llamó SARS-CoV-2, y a la enfermedad que produce se la denominó COVID-19. (p. 65)

Las autoriades de China, tomando en consideracion el crecimiento acelerado de contagios y muertes que se produjeron  a principios del año 2020, quienes realizaron un informe a la Organización Mundial de la Salud.  “El 3 de enero de 2020, el gobierno de la Republica Popular de China informó a la Organización Mundial de la Salud (OMS) sobre la epidemia”. (Reyes & Simón, 2020, p.4).   

 

El 11 de marzo de 2020, la Organización Mundial de la Salud (OMS) considerando la dinámica de propagación y su alta peligrosidad, declaró la pandemia de SARS-CoV-2, mencionando que se trata de un virus altamente letal y virológicamente similar al SARS-Cov-1 (HcoV-229E) que apareció en 2009 y que cambiará el curso de la historia de la humnidad. (De León et al, 2020)

La pandemia por SARS-CoV-2, está cambiando la dinámica  de desarrollo en las diferentes instituciones a nivel mundial, se requiere una atención inmediata en muchas actividades,por ejemplo en los centros de salud realizar el diagnostico oportuno y dinimizar la atención temprana  es una tarea fundamental.

Al respecto  Yago et al. (2020) manifiestan:  “La pandemia por SARS-CoV-2 ha generado nuevos escenarios que requieren modificaciones de los protocolos habituales de reanimación cardiopulmonar. Las guías clínicas vigentes sobre el manejo de la parada cardiorrespiratoria no incluyen recomendaciones para situaciones aplicables a este contexto”. (p.566)

En los centros de salud a nivel mundial, se han observado un amplio espectro clínico en los pacientes con COVID‑19 y niveles de gravedad que varían desde un curso asintomático hasta un síndrome de distrés respiratorio agudo (SDRA) e incluso la muerte. Ello viene generando un problema complejo en los diferentes centros de salud, que no cuentan con las maquinarias necesaria y el personal suficiente para responder objetivamente a la atención oportuna del paciente. (Martínez, Tascón, Ibáñez , Ossaba  & Borruel, 2021). 

La falta de un diagnostico temprano,  y no actuar   oportunamente en el tratamiento,  el riesgo clínico del paciente con COVID‑19 se incrementa, como consecuencia se presenta un alto porcentaje de fallecidos en todo el mundo, en especial, en el Perú. Al respecto Elguea, Prado, Barrada.,(2019) menciona los siguiente:

A la falta de detección oportuna del paciente, que genera el deterioro clínico y de una respuesta terapéutica deficiente, se le conoce como falla para rescatar, lo que produce eventos adversos: el ingreso urgente a la UCI, el paro cardiorrespiratorio y la muerte. (p.98) 

La detección oportuna de las enfermedades es una prioridad en los sistemas de salud, debido a que el tiempo es un recurso fundamental en la identificación del riesgo clínico y  el tratamiento del paciente.

En los servicios de emergencias médicas, se deben clasificar oportunamente  a los pacientes con COVID‑19 según el rango clínico, también  a los  de alto riesgo y a los que tienen mal pronóstico. En muchos casos, los segundos presentan una alta comorbilidad y pluripatología, así como signos y síntomas específicos. (Riera, & Del Pino ,2020)

Es necesario contar con mecanismos que permita realizar una clasificación de pacientes en tiempo real, a fin de optimizar el tiempo de tratamiento del paciente, en un escenario de crecimiento acelerado de infectados por SARS-CoV-2.

En muchos países, se ha sugerido utilizar el triaje respiratorio y las escalas de identificación de la gravedad y el riesgo de mortalidad en pacientes con sospecha de infección. Una de las  alternativas para dinamizar la clasificación es la Escala Nacional de Alerta Temprana (NEWS 2, por sus siglas en inglés), desarrollada por la Sociedad Torácica Británica. (Romero et al., 2020) 

La escala NEWS 2 permite detectar pacientes con infección por SARS-CoV-2 en los servicios de emergencias para decidir el ingreso o la hospitalización, además del juicio clínico, tales como el índice de la gravedad de la neumonía (PSI, por sus siglas en inglés) o la escala CURB-65 (confusión, úrea, frecuencia respiratoria, presión arterial y edad ≥ 65 años). (Angós y Código, 2020)

Es necesario aplicar mecanismos de clasificación eficientes en pacientes con COVID-19 y que atraviesan situaciones fisiopatológicas potencialmente complejas y cambiantes. Conocer la situación clínica del paciente y clasificar en función al rango clínico, es el primer paso para su tratamiento y estabilización y debe ser lo más temprano posible. (Lalueza, 2020).

Los métodos de clasificación, está relacionado con el aprendizaje automático. dentro de las alternativas tradicionales, los métodos estadísticos de mínima distancia y máxima verosimilitud de clasificación tienen sus limitaciones, relacionadas con las hipótesis de distribución normal y restricciones de los datos de entrada (Fuentes y Medina, 2021).

Una alternativa es diseñar un modelo de aprendizaje automático, mediante algoritmos matemáticos, para la clasificación de pacientes según el rango clínico, dicha máquina tiene la capacidad de entrenar y aprender (Sanchez,2019).

La importancia de los modelos basados en el aprendizaje automático radica en la posibilidad de realizar clasificaciones y predicciones con diferentes modelos, tales como: los k-vecinos más cercanos, los clasificadores de Bayes, los árboles de decisión, la máquina de soporte vectorial, etc. (Veliz, 2020).  

 

La máquina de soporte vectorial ha demostrado ser un algoritmo robusto que se adapta bien a la realidad, donde intervienen grandes cantidades de datos. La idea del modelo consiste en determinar un hiperplano de separación entre los elementos de dos o más clases de conjuntos. (Blanco et al, 2010)

El proposito, es construir el modelo matemático de la máquina de soporte vectorial, para la clasificación de pacientes. Se implementó el modelo en el lenguaje Python, para el Kernel lineal, polinomial, radial y sigmoide.

Las métricas que  proporciona la matriz de confusión  son: la exactitud (o “accuracy“) representa el porcentaje de predicciones correctas frente al total de pacientes. La precisión (“precision”) se refiere a lo cerca que está el resultado de una predicción del valor verdadero. La sensibilidad (recall) representa la tasa de verdaderos positivos (True Positive Rate) ó TP, es la proporción entre los casos positivos bien clasificados por el modelo, respecto al total de positivos. La especificidad, es la tasa de verdaderos negativos, (“true negative rate”)o TN, que es la proporción entre los casos negativos bien clasificados por el modelo, respecto al total de negativos. 

 

El objetivo del presente estudio fue desarrollar un modelo basado en una máquina de soporte vectorial para la clasificación de pacientes con COVID-19 según su riesgo clínico, en los servicios de emergencia. 

 

El estudio sigue el paradigma positivista, enfoque cuantitativo, diseño observacional sin intervención. Para desarrollar la presente investigación, se recolectaron 1000 datos de registros de pacientes con diagnóstico de infección por SARS-CoV-2 que ingresaron por el servicio de emergencia en el Centro de Salud Paramonga y en el Centro de Salud Végueta en Perú. Las variables que se consideraron fueron edad, género, peso, talla, frecuencia respiratoria, saturación de oxígeno, tensión arterial sistólica, frecuencia cardíaca y temperatura.

modelo fue entrenado y validado para los kernels lineal, polinomial, radial y sigmoide, con los  parametros  optimizados C=100 y Gamma=0,001. La precisión del kernel lineal fue de 95% para el rango clínico leve, 96% para el moderado y 91% para el severo; para el kernel polinomial presenta 98% para el rango clínico leve, 92% para el moderado y 95% para el severo; la precisión  para el kernel radial presenta 96% para el rango clínico leve; 96% para el moderado y 91% para el severo, mientras que la presición para el kernel sigmoide  presenta 96% para el rango clínico leve, 89% para el moderado y 98% para el severo. Se validó el modelo mediante la matriz de confusión. Conclusión: Se optó por el modelo de clasificación basado en una Máquina de Soporte Vectorial, con un kernel polinomial por la eficiencia  y sensibilidad  de 95% en promedio macro y ponderado, mayor con respecto a los resultados obtenidos mediante los kerneles: lineal, radial y sigmoide

El proceso de clasificación rápida de los pacientes con COVID-19 reduce el número de consecuencias clínicas y el coste sanitario. Se ha desarrollado y entrenado un modelo basado en una máquina de soporte vectorial a fin de realizar una adecuada clasificación de pacientes con COVID‑19.La clasificación oportuna de pacientes con COVID 19 permitirá gestionar mejor las estrategias de vigilancia, prevención y control hospitalario.

REFERENCIA BIBLIOGRÁFICA

Angós Moreno M. Código Sepsis(2020): manejo en soporte vital básico, soporte vital avanzado, atención primaria y atención intrahospitalaria. [Internet]. Academia e- upna. Disponible en: https://academica-e.unavarra.es/xmlui/bitstream/handle/2454/37643/Ang%c3%b3s_116378TFG.pdf?sequence=1&isAllowed=y.  

Blanco IF, Díaz AO, Jiménez GR, Bueno RM, Mota YC(2010). Clasificadores y multiclasificadores con cambio de concepto basados en árboles de decisión. Intel Artif.14(45):32–43. 

De León, J., Cruz, A. P., Ramírez, P. A., Valencia, Y. E., Carrillo, C. Q., & Ayala, E. V. (2020). SARS-CoV-2 y sistema inmune: una batalla de titanes. Horizonte médico20(2), 5. 

Elguea Echavarría P, Prado Bush O, Barradas Ambriz J. (2019) Implementación de una escala de gravedad para la activación del equipo de respuesta rápida: NEWS 2. Med Crit.33(2):98–103.  

Fuentes Marmolejo, M. D., & Medina Parra, W. D. (2021). Diseño de un modelo predictivo-asistencial de pacientes infectados por Covid-19, mediante un modelo supervisado de Machine Learning basado en criterios de derivación hospitalaria o ambulatoria (Bachelor's thesis, Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales.).  

Lalueza, A., Lora-Tamayo, J., de la Calle, C., Sayas-Catalán, J., Arrieta, E., Maestro, G., ... & Lumbreras, C. (2020). Utilidad de las escalas de sepsis para predecir el fallo respiratorio y la muerte en pacientes con COVID-19 fuera de las Unidades de Cuidados Intensivos. Revista Clinica Espanola

Martínez Chamorro, E., Díez Tascón, A., Ibáñez Sanz, L., Ossaba Vélez, S., & Borruel Nacenta, S. (2021). Diagnóstico radiológico del paciente con COVID-19. Radiología (Madr., Ed. impr.), 0-0.  

Mojica-Crespo, R., & Morales-Crespo, M. M. (2020). Pandemia COVID-19, la nueva emergencia sanitaria de preocupación internacional: una revisión. Medicina de Familia. SEMERGEN46, 65-77. 

Reyes Núñez, M. A., Simón Domínguez, N., & Simón Domínguez, J. I. (2020). Cómo estimar la letalidad del COVID-19. Revista Mexicana de Patología Clínica y Medicina de Laboratorio, 67(1), 4-8. 

 

Riera, J. R. M., & del Pino Casado, R. (2020). Manual práctico de enfermería comunitaria. Elsevier. 

Romero Hernández S, Saavedra Uribe J, Zamarrón López EI, Pérez Nieto OR, Figueroa Uribe AF, Guerrero Gutiérrez MA, López Fermínde J, et al. (2020). Protocolo de atención para COVID-19 (SARS-CoV-2) de la Sociedad Mexicana de Medicina de Emergencias. Sociedad Mexicana de Medicina de Emergencias. 

Sánchez Gómez, C. (2019). Desarrollo de soluciones software mediante aprendizaje automático en el ámbito de la salud: situación tecnológica y perspectivas. 

Véliz Capuñay C.(2020). Aprendizaje Automático: Introducción al Aprendizaje Automático. Fondo Editorial PUCP. 

Yago, M. R., Mayayo, I. A., López, R. G., Ángel, M. P., Miranda, A. P., Aracil, M. C., ... & Hernández-Tejedor, A. (2020). Recomendaciones sobre reanimación cardiopulmonar en pacientes con sospecha o infección confirmada por SARS-CoV-2 (COVID-19). Resumen ejecutivo. Medicina Intensiva, 44(9), 566-576. 

Keywords (use both uppercase and lowercase letters)

Main author information

Daniel Cristóbal Andrade Girón (Peru) 321
Scientific production

Co-authors information

Edgardo Octavio Carreño Cisneros (Peru) 6601
Scientific production
Cecilia Maura Mejia Dominguez (Peru) 6602
Scientific production
Julia Velasquez Gamarra (Peru) 6603
Scientific production

Status:

Approved