Enas Al-khlifeh, Ahmad S Tarawneh , Khalid Almohammadi, Malek Alrashidi, Ramadan Hassanat, Ahmad B Hassanat. Aprendizaje basado en árboles de decisión y minería de datos de laboratorio: un enfoque eficiente para las pruebas de amebiasis. Spreinger Nature-Parasit Vectors. 2025 Jan 29;18:33. Department of Applied Biology, Al-Balqa Applied University, Salt, Jordan
Resumen Chat Claude 5.0
El estudio se basó en pacientes del Hospital Al-Hussein en Al-Salt, Jordania, el único hospital universitario público de la ciudad. Los datos abarcaron desde el 7 de septiembre de 2020 hasta diciembre de 2022 y fueron extraídos del sistema nacional jordano de registros médicos electrónicos "Hakeem".
Creación del conjunto de datos: Se recolectaron muestras de heces mediante un procedimiento estándar y se examinaron al microscopio en un plazo de 30 minutos para detectar parásitos y gusanos comunes.
Para cada paciente, los investigadores recopilaron: fecha, sexo, edad, tipo de diagnóstico (diarrea, heces semiblandas o dolor abdominal sin diarrea) y hallazgos en las heces, incluyendo la presencia de glóbulos rojos y el recuento de glóbulos blancos. El recuento de glóbulos blancos se clasificó en niveles bajo/medio/alto según las células por campo de alta potencia, y los datos del hemograma completo proporcionaron el recuento total de glóbulos blancos y neutrófilos como marcadores de la gravedad de la infección.
Análisis estadístico: Se realizaron: i) pruebas de chi-cuadrado para examinar las relaciones entre los factores de riesgo según categoría (sexo, edad, resultados de laboratorio) y la amebiasis; ii) un análisis de varianza unidireccional (ANOVA) para evaluar las correlaciones entre las variables edad/glóbulos blancos/neutrófilos; y iii) pruebas t de Student para comparar las variables numéricas entre grupos, todas con un umbral de significancia de P<0,05.
Selección de características con dos métodos complementarios:
- Importancia de las características del bosque aleatorio: el bosque aleatorio construye múltiples árboles de decisión y combina sus resultados; la importancia de una característica se juzga por su contribución al rendimiento general del modelo, medida a través del índice de Gini (que refleja qué tan bien una característica divide las clases en grupos puros).
- Análisis de correlación: se calcularon los coeficientes de correlación de Pearson entre cada variable y el resultado de la amebiasis, y los resultados se contrastaron con la correlación biserial puntual (apropiada ya que el resultado es binario), obteniéndose coeficientes idénticos.
Conclusión: Los autores presentan este estudio como una prueba de concepto que demuestra que el análisis de datos rutinarios de registros médicos electrónicos y análisis de laboratorio mediante aprendizaje automático basado en árboles de decisión puede mejorar significativamente la detección de la amebiasis y ayudar a los médicos a distinguirla de otras afecciones gastroenterológicas, reduciendo potencialmente los diagnósticos erróneos asociados únicamente a la microscopía. ........
(*) Una vez que esta en la pagina del articulo, pulsando el botón derecho puede acceder a su traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma.
Nueva presentación el 27 de Julio
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos.
Ciudad de Buenos Aires. R. Argentina
