Biomarcadores de la inflamación como predictores de gravedad y mortalidad en pacientes con COVID-19 grave: estudio basado en algoritmos de clasificación de aprendizaje automático

Resumen

OBJETIVO: Evaluar, a través de algoritmos de clasificación de aprendizaje automático, el valor predictivo de los biomarcadores de inflamación para predecir el alta del hospital de pacientes con COVID-19 grave.

MATERIALES Y MÉTODOS: Estudio retrospectivo observacional de un solo centro que evaluó los registros clínicos de pacientes atendidos entre marzo de 2021 y enero de 2022 con un método de muestreo sistemático. Se utilizaron como variables predictoras los valores demográficos y clínicos que incluyeron los valores de dímero D, procalcitonina, ferritina y fibrinógeno de cada paciente.

RESULTADOS: Se incluyeron 191 pacientes. El análisis de diferentes algoritmos de aprendizaje automático mostró que el algoritmo de máquina de vectores de soporte con núcleo obtuvo el mejor rendimiento con precisión de 0.80, desviación estándar de 0.06 y sensibilidad de 0.71. Asimismo, el dímero D (RM: 1.0032 [1.0130, 1.7230], p < 0.05; AUC: 0.580), la ferritina (RM: 1.023 [1.019, 1.843], p < 0.05, AUC: 0.885) y la relación ferritina-procalcitonina (RM: 1.324 [1.012, 1.478], p < 0.05; AUC: 0.859) fueron predictores potenciales de la progresión y de eventos fatales generados por la COVID-19.

CONCLUSIONES: Los algoritmos de clasificación obtenidos por aprendizaje automático son una herramienta útil para predecir la gravedad y los desenlaces fatales en los brotes infecciosos. En este estudio se demostró que el dímero D es el mejor predictor de la gravedad y de eventos fatales por COVID-19 grave.

PALABRAS CLAVE: Dímero D; ferritina; procalcitonina; fibrinógeno; COVID-19; aprendizaje automático.

Abstract

OBJECTIVE: To assess through of machine learning classification algorithms the predictive value of inflammation biomarkers for fatal outcomes in patients with different severity by COVID-19.

MATERIALS AND METHODS: A retrospective, observational study evaluated clinical records of Mexican patients from March 2021 to January 2022 using a systematic sampling method. Demographic and clinical values including D-dimer, procalcitonin, ferritin and fibrinogen of each patient were used as predictors.

RESULTS: There were included 191 patients. Analysis of different machine learning algorithms showed that the kernel support vector machine algorithm showed the better performance achieving 0.80 accuracy, 0.06 standard deviation and 0.71 sensitivity. Additionally, D-dimer (OR: 1.0032 [1.0130, 1.7230], p < 0.05; ROC: 0.580), ferritin (OR: 1.023 [1.019, 1.843], p < 0.05; ROC: 0.885), and ferritin/procalcitonin ratio (OR: 1.324 [1.012, 1.478], p < 0.05; ROC: 0.859) were potential predictors of progression and fatal events due to COVID-19.

CONCLUSIONS: The machine learning classification algorithms could be useful to the prediction of the severity and fatal events in infectious outbreaks. In this study, it was shown that D-dimer is a good predictor of severity and fatal outcomes due to COVID-19.

KEYWORDS: D-dimer; Ferritin; Procalcitonin; Fibrinogen; COVID-19; Machine learning.