Soluciones alternativas de diagnóstico de COVID-19 usando Machine Learning

Autor:

Prof. Paul Cardenas.

Departamento de Bioingeniería

pcardenas@utec.edu.pe

Las técnicas de Machine Learning así como de Big Data han demostrado ser muy útiles para afrontar la pandemia COVID-19 [1,2]. Por lo cual CONCYTEC/FONDECYT y el Centro de Bioingeniería de UTEC estan ofreciendo  la “Diplomatura en Big Data y Machine Learning contra COVID-19”.

El programa brindará 46 becas de estudio a profesionales que busquen crear soluciones rápidas y alternativas basadas en datos para mitigar los efectos causados por la pandemia en nuestro país.

El potencial de big data en la lucha contra la pandemia del COVID-19 se puede dar a través de cuatro dominios de aplicación como son: predicción de brotes y rebrotes, seguimiento de la propagación del virus, diagnóstico y tratamiento del coronavirus y descubrimiento de vacunas y fármacos.

Imagen 1. Aplicación de inteligencia artificial y Machine Learning en la lucha contra COVID-19. Los datos de los pacientes con COVID-19 se pueden integrar y analizar mediante algoritmos avanzados de Machine Learning para comprender mejor el patrón de propagación viral, mejorar aún más la velocidad y la precisión del diagnóstico, desarrollar enfoques terapéuticos novedosos y eficaces y, potencialmente, identificar a las personas más susceptibles.

Fuente. Alimadadi A., Aryal S., Manandhar I. et al. (2020)

Científicos de todo el mundo han tornado su interés en el uso de inteligencia artificial para ayudar a aliviar el estrés en el sistema de salud hospitalario debido al creciente número de pacientes que necesitan camas UCI, el cual ha hecho colapsar los hospitales en muchos países en desarrollo. Usando Machine Learning [3] se han desarrollado sistemas de soporte de decisión en medicina (SSDM). Estos SSDM tienen como objetivo ayudar al personal médico de todo el mundo a clasificar a los pacientes, el cual, puede ser muy crítico, especialmente en el contexto de recursos sanitarios muy limitados [4]. Te imaginas si usando SSDM podrías determinar rápidamente la probabilidad de estar infectado o incluso si eres paciente de alto riesgo que necesita una cama UCI para sobrevivir. Esto nos podría ayudar a manejar mucho mejor nuestros recursos limitados en los hospitales.

Como ejemplo tenemos que el pasado 4 enero del  2021 fue publicado un artículo en la revista nature  “Machine learning-based prediction of COVID-19 diagnosis based on symptoms” [1] por científicos de la Facultad de Medicina, Universidad de Tel Aviv.Estos científicos usaron aprendizaje supervisado para entrenar el modelo de Machine Learning con registros de 51,831 personas (de las cuales se confirmó que 4769 tenían COVID-19). El set de prueba contenía datos de la semana siguiente (47,401 individuos evaluados, de los cuales se confirmó que 3624 tenían COVID-19). Este modelo es capaz de dar la probabilidad de ser diagnosticado con una infección por COVID-19 y predijo los resultados del set de prueba con alta fiabilidad (0.90 de AUC-ROC) utilizando tan solo ocho características binarias: Sexo, edad ≥60 años, contacto conocido con un individuo infectado, y la aparición de cinco síntomas clínicos iniciales (Tos, Dificultad para respirar, Fiebre, Dolor de garganta y Dolor de cabeza). 

Las predicciones se generaron utilizando un modelo de gradient-boosting construido con aprendices de base de árbol de decisiones (solo unas de las técnicas de Machine Learning). El gradient-boosting es un algoritmo de machine learning muy popular que ha demostrado ser exitoso en muchas aplicaciones y a menudo es uno de los métodos favoritos para ganar competencias en Kaggle. El gradient-boosting construye un conjunto de árboles poco profundos en secuencia con cada árbol aprendiendo y mejorando los errores del anterior árbol. Aunque los árboles poco profundos son modelos predictivos bastante débiles, se puede producir un conjunto poderoso que a menudo es difícil de superar con otros algoritmos. En este estudio se usó la librería de  LightGBM y el lenguaje de programación de Python.

El estudio usó datos públicos del Ministerio de Salud de Israel para desarrollar un modelo que  que detecta los casos de COVID-19 usando atributos simples a los que se accede haciendo preguntas básicas a los pacientes. Un modelo de SSDM puede ser muy útil no solo para priorizar las pruebas de COVID-19 y la logística del manejo hospitalario cuando los recursos son limitados, si no también para implementar políticas públicas necesarias para reducir, localizar, rastrear a los pacientes contagiados. 

Si estás interesado en tomar la iniciativa y proponer soluciones en la lucha contra la pandemia usando big data y Machine Learning, te invitamos a postular a una de las 46 becas. Para mayor infromacion sobre las becas de la diplomatura entrar al link: https://posgrado.utec.edu.pe/becas-diplomatura-en-big-data-y-machine-learning-contra-covid-19/

BIBLIOGRAFÍA:

1. Q. Pham, D. C. Nguyen, T. Huynh-The, W. Hwang and P. N. Pathirana, "Artificial Intelligence (AI) and Big Data for Coronavirus (COVID-19) Pandemic: A Survey on the State-of-the-Arts," in IEEE Access, vol. 8, pp. 130820-130839, 2020, doi: 10.1109/ACCESS.2020.3009328.

2. Alimadadi A, Aryal S, Manandhar I, Munroe PB, Joe B, Cheng X. Artificial intelligence and machine learning to fight COVID-19. Physiol Genomics. 2020 Apr 1;52(4):200-202. doi: 10.1152/physiolgenomics.00029.2020. Epub 2020 Mar 27. PMID: 32216577; PMCID: PMC7191426.

3. N. Peiffer-Smadja, T.M. Rawson, R. Ahmad, A. Buchard, P. Georgiou, F.-X. Lescure, G. Birgand, A.H. Holmes, Machine learning for clinical decision support in infectious diseases: a narrative review of current applications, Clinical Microbiology and Infection, Volume 26, Issue 5, 2020, Pages 584-595, ISSN 1198-743X, https://doi.org/10.1016/j.cmi.2019.09.009.

4. Zoabi, Y., Deri-Rozov, S. & Shomron, N. Machine learning-based prediction of COVID-19 diagnosis based on symptoms. npj Digit. Med. 4, 3 (2021). https://doi.org/10.1038/s41746-020-00372-6