Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia Artificial e Inmunologia - En.es
Inteligencia Artificial e Inmunologia - En.es
com
linfoproliferación, antecedentes de reacciones a vacunas, consanguinidad de los Se compararon tres modelos ML: bosques aleatorios (RF) [9], modelo de
padres, presencia de síndromes genéticos, máquina de aumento de gradiente extremo [10] y clasificación
Inmunología Pediátrica, 128 cumplieron los criterios de inclusión (supl. online Fig. S3) y
Bosques aleatorios
45 (32,1%) recibieron diagnóstico fenotípico de IEI (dos de ellos también con diagnóstico
Siguiendo una búsqueda en cuadrícula de hiperparámetro sugerida por
de Carvalho et al. [13], investigamos ntree = 25, 50, 100 y 150; mtry desde 5 genotípico – Wiskott- síndrome de Aldrich y DiGeorge). Los 83 pacientes restantes no
hasta el número máximo de variables en incrementos de 5; profundidad tenían diagnóstico de IEI. Fueron diagnosticados con alergias, o inmadurez
máxima = 2, 3, 4, 6, 8 y 10; muestra de fila de 90%, 95% y 100%. El modelo inmunológica debida a la infancia, o no recibieron ningún diagnóstico inmunológico. Los
de RF (óptimo) elegido tenía los siguientes hiperparámetros: ntree = 100,
pacientes con IEI tenían su diagnóstico basado en la historia clínica/examen físico y
mtry = 25, profundidad máxima = 4 (el modelo utilizó hasta 4 interacciones
exámenes complementarios, según los criterios de la IUIS [1, 2]. Se repitieron las
variables) y una fracción de muestra de fila de 0,95 (95 % de la se usaron
puntos de datos para entrenar cada árbol). pruebas alteradas para evitar errores de laboratorio. Se realizaron otras pruebas
genéticas) para pacientes con indicación específica. Entre los 45 pacientes que recibieron
Máquina de aumento de gradiente extremo
diagnóstico fenotípico de IEI, el defecto más prevalente fue el humoral (20 pacientes –
La búsqueda en cuadrícula de los hiperparámetros investigados en
44,4 %), lo cual está en consonancia con la literatura [4]; los demás presentaban en su
nuestros modelos fue ntree = 25, 50, 75 y 100; profundidad máxima = 2, 3,
4, 6 y 8; las observaciones mínimas por nodo fueron 5, 10, 20 y 40. El mayoría defectos fagocitarios numéricos o funcionales o defectos celulares. Es de
modelo de máquina de aumento de gradiente se eligió para tener una destacar que algunos pacientes con diagnóstico fenotípico deben proceder con
distribución de Bernoulli, y el modelo elegido tenía los hiperparámetros: investigación genética para llegar al diagnóstico molecular de IEI; sin embargo, esta no
ntree = 50, profundidad máxima = 3 (hasta 3 interacciones variables fueron
es la realidad en muchos países en desarrollo, donde las pruebas más costosas son
utilizadas por el modelo), y el número mínimo de observaciones por nodo
difíciles de alcanzar. Es de destacar que algunos pacientes con diagnóstico fenotípico
fue de 10.
deben proceder con investigación genética para llegar al diagnóstico molecular de IEI;
Árbol de clasificación y regresión sin embargo, esta no es la realidad en muchos países en desarrollo, donde las pruebas
La búsqueda en cuadrícula de los hiperparámetros investigados en más costosas son difíciles de alcanzar. Es de destacar que algunos pacientes con
nuestros modelos fue ntree = 15, 25, 50, 75 y 100; profundidad
diagnóstico fenotípico deben proceder con investigación genética para llegar al
máxima = 2, 3, 4, 6 y 8; las observaciones mínimas por nodo fueron 6,
diagnóstico molecular de IEI; sin embargo, esta no es la realidad en muchos países en
12, 18 y 24. El mejor modelo CART tenía los hiperparámetros ntree =
25, profundidad máxima = 2 (el modelo utilizó hasta 2 interacciones desarrollo, donde las pruebas más costosas son difíciles de alcanzar.
variables) y el número mínimo de observaciones por nodo fue de 6. Los participantes fueron seguidos desde la visita inicial 1 hasta la
última visita durante un promedio de 0,663 años (IC del 95 %: 0,21–
Regresión logística
0,96; SD 1,76; rango 0,1–11,2) con una media de 2,2 visitas durante el
Para los LR, seleccionamos todas las características disponibles y
seguimiento. Los datos demográficos y la comparación entre el control
consideramos modelos más pequeños con hasta 4 variables (1 por cada 10
eventos) para evitar el sobreajuste. Se propuso el uso de modelos LR más y el grupo de riesgo IEI se resumen en la Tabla S2 complementaria en
pequeños para evaluar la influencia individual de cada variable para encontrar los línea. Los participantes eran en su mayoría niños. En el subgrupo de
predictores de IEI. riesgo IEI, las infecciones recurrentes, los trastornos autoinmunes y los
hallazgos de laboratorio sospechosos fueron significativamente más
Análisis estadístico
comunes las razones de derivación a nuestro servicio (pag=0,004).
Como se describió anteriormente, los cuatro modelos se compararon entre sí
utilizando AUROC para determinar su rendimiento en los conjuntos de datos de prueba Considerando los hallazgos de laboratorio, las características que
y validación después de usar un marco de validación cruzada de 10 veces. fueron significativamente
Este protocolo de estudio fue revisado y aprobado por el Comité de Marina Mayumi Vendrame Takao aportó la concepción del
Ética en Investigación de la Facultad de Ciencias Médicas-UNI-CAMP, estudio y la interpretación de los datos y redactó y revisó el
número de aprobación 3.660.60, 24 de octubre de 2018. Se obtuvo manuscrito; Luiz Sérgio Fernandes Carvalho proporcionó análisis e
consentimiento informado por escrito de los padres/tutores legales/ interpretación de datos y escribió y revisó el manuscrito; Paula
allegados de los participantes. familiares para participar en el estudio. García Pereira Silva y Maisa Moraes Pereira recopilaron datos
clínicos y de laboratorio; Ana Carolina Viana escribió el
manuscrito; Marcos Tadeu Nolasco da Silva revisó el manuscrito;
Adriana Gut Lopes Riccetto revisó el manuscrito y dio la
Declaracion de conflicto de interes
aprobación final a la versión a ser enviada.
Fuentes de financiamiento
Todos los datos generados o analizados durante este estudio se
incluyen en este artículo y su material complementario en línea. Las
Referencias
1 Bousfiha A, Jeddane L, Picard C, Al-Herz W, 5 Elsink K, van Montfrans JM, van Gijn ME, 10 Friedman JH. Aproximación de la función codiciosa
Ailal F, Chatila T, et al. Errores de inmunidad Blom M, van Hagen PM, Kuijpers TW, et al. Costo e ción: una máquina de aumento de gradiente.Ana estatista
congénitos humanos: actualización de 2019 de la impacto del diagnóstico temprano en la enfermedad . 2001 de octubre; 29 (5): 1189–232.
clasificación fenotípica de la IUIS.J Clin Inmunol. 2020 de inmunodeficiencia primaria: una revisión de la 11 Loh WY. Árboles de clasificación y regresión.
enero; 40 (1): 66–81. literatura.Clin Inmunol. 2020 abril; 213: 108359. 6 Descubrimiento de conocimientos de minería de datos de cables. 2011 enero;
2 Tangye SG, Al-Herz W, Bousfiha A, Cun- Thalhammer J, Kindle G, Nieters A, Rusch S, 1:14–23.
Ningham-Rundles C, Franco JL, Holland SM, et al. La Seppänen MRJ, Fischer A, et al. Las manifestaciones 12 Bergstra J, Bengio Y. Random search for hy-
variedad cada vez mayor de nuevos errores innatos de presentación inicial en 16 486 pacientes con optimización por parámetro.J Mach Aprender
de la inmunidad: una actualización provisional del errores innatos de la inmunidad incluyen infecciones Res. 2012 marzo; 13 (10): 281–305.
comité de la IUIS.J Clin Inmunol. abril de 2021; y manifestaciones no infecciosas.J Allergy Clin 13 de Carvalho LSF, Gioppato S, Fernández MD,
41(3):666–79. Inmunol. 2021 noviembre; 148 (5): 1332–41.e5. 7 Trindade BC, Silva JCQE, Miranda RGS, et al. El
3 Modell V, Quinn J, Ginsberg G, Gladue R, Or- Rider NL, Srinivasan R, Khoury P. Artificial aprendizaje automático mejora la identificación
ange J, Modell F. Estrategia de modelado para inteligencia y la caza de trastornos de personas con mayor morbilidad y costos de
identificar pacientes con inmunodeficiencia primaria inmunológicos.Curr Opin Alergia Clin Immunol. salud evitables después de síndromes coronarios
mediante la gestión de riesgos y la medición de 2020 diciembre; 20(6):565–73. agudos.Valor Salud. 2020 de diciembre; 23 (12):
resultados.Inmunol Res. junio de 2017;65(3):713–20. 8 Benet D, Pellicer-Valero OJ. inteligencia artificial 1570–9.
gencia: la revolución imparable en 14 Topol EJ. Medicina de alto rendimiento: la
4 Abolhassani H, Azizi G, Sharifi L, Yazdani R, oftalmología.Surv Oftalmol. 2022 enero- convergencia de inteligencia humana y artificial.
Mohsenzadegan M, Delavari S, et al. Revisión febrero; 67(1):252–70. Nat Med. 2019 enero; 25 (1): 44–56. 15 Panch T,
sistemática global de los registros de 9 Breiman L. Bosques aleatorios.Aprender Mach. Mattie H, Atun R. Inteligencia artificial
inmunodeficiencia primaria.Experto Rev Clin Octubre de 2001; 45:5–32. gencia y sesgo algorítmico: implicaciones para los
Immunol. 2020 julio; 16 (7): 717–32. sistemas de salud.J Glob Salud. 2019 diciembre;9(2):
010318.