Investigadores de Johns Hopkins Medicine y la Universidad Johns Hopkins han creado y probado preliminarmente lo que creen que puede ser uno de los primeros modelos para predecir quién tiene la mayor probabilidad de ser resistente al COVID-19 a pesar de la exposición al SARS-CoV-2. el virus que lo causa.
El estudio se informa en línea hoy en la revista MÁS UNO.
«Si podemos identificar qué personas pueden evitar naturalmente la infección por el SARS-CoV-2, podremos aprender, además de los factores sociales y de comportamiento, qué diferencias genéticas y ambientales influyen en su defensa contra el virus». dice la autora principal del estudio, Karen (Kai-Wen) Yang, estudiante de posgrado en ingeniería biomédica en el Laboratorio de Investigación e Innovación en Informática Traslacional de la Universidad Johns Hopkins. «Esa idea podría conducir a nuevas medidas preventivas y tratamientos más específicos».
Para su estudio, el equipo de investigación se propuso determinar si un modelo estadístico de aprendizaje automático podría usar las características de salud almacenadas en registros de salud electrónicos, proporcionando datos de pacientes como comorbilidades (otras afecciones médicas) y medicamentos recetados, como un medio para identificar personas con una capacidad natural para evitar la infección por SARS-CoV-2. Esas personas, dice Yang, podrían ser estudiadas para comprender mejor los factores que permiten su resistencia.
Un modelo de aprendizaje automático es un programa o sistema informático que utiliza algoritmos matemáticos para encontrar patrones estadísticos y luego aplicar los patrones en el futuro. Esto le da a dichos sistemas la capacidad de imitar el pensamiento y el razonamiento humanos y, de manera similar al cerebro, aprender con el tiempo.
«El uso de un sistema de aprendizaje automático para reconocer patrones complejos en un gran número de personas con COVID-19 permitió a otro equipo de investigadores de Johns Hopkins Medicine en 2021 predecir el curso del caso de un paciente individual y determinar la probabilidad de que se vuelva grave». dice el coautor principal del estudio, Stuart Ray, MD, vicepresidente de medicina para análisis e integridad de datos, y profesor de medicina en la Facultad de Medicina de la Universidad Johns Hopkins. «En función de su éxito, nuestro equipo se preguntó si el mismo enfoque también podría aplicarse para predecir quién podría estar expuesto al SARS-CoV-2 en lugares cerrados y aún así no infectarse».
Para demostrar la capacidad del modelo para predecir la resistencia a la COVID-19, los investigadores primero adquirieron datos de un registro clínico llamado Johns Hopkins COVID-19 Precision Medicine Analytics Platform Registry (JH-CROWN). El registro contiene información de los pacientes atendidos en el Sistema de Salud Johns Hopkins que se sospecha o se ha confirmado que tienen una infección por SARS-CoV-2.
Para su estudio de resistencia, los investigadores solo incluyeron personas que recibieron una prueba de COVID-19 entre el 10 de junio de 2020 y el 15 de diciembre de 2020, y que informaron «exposición potencial al virus» como motivo de la prueba.
La fecha de finalización fue el punto en el que comenzaron los esfuerzos de vacunación contra el COVID-19 a gran escala en los Estados Unidos. Elegir esta fecha, dicen los investigadores, les permitió evitar los efectos sobre sus hallazgos de vacunas que previenen la infección en lugar de la resistencia natural.
Los 8536 participantes del estudio que informaron la exposición como motivo para hacerse la prueba de COVID se dividieron en dos grupos: aquellos que no compartían una residencia (llamada «hogar» en este estudio) con ningún paciente de COVID-19 o su residencia tenía 10 o más pacientes; y aquellos que compartieron una residencia con 10 o menos personas, siendo al menos uno un paciente de COVID-19. El primer grupo, con 8.476 de los participantes, se designó como el Conjunto de capacitación y prueba, mientras que el segundo grupo, llamado Conjunto de índice de hogares (HHI), tenía 60 miembros y se usó como un conjunto de prueba separado.
Mantener el número de hogares en 10 o menos, dicen los investigadores, excluyó a las personas que viven en complejos de apartamentos, dormitorios y otras áreas de vivienda de unidades múltiples de mayor densidad donde la exposición a una persona en particular positiva para SARS-CoV-2 sería menos intensa.
Para identificar patrones y agrupar a los participantes de modo que se destaquen aquellos naturalmente resistentes al SARS-CoV-2, ambos conjuntos de estudio se analizaron utilizando el algoritmo de agrupamiento basado en patrones de selección de patrones de máxima frecuencia y confianza total (MASPC). MASPC está diseñado específicamente para el análisis de datos de registros de salud electrónicos que combina información demográfica del paciente (edad, sexo y raza), la Clasificación Estadística Internacional de Enfermedades y Problemas de Salud Relacionados (ICD) códigos de diagnóstico médico relevantes para cada caso, órdenes de medicamentos para pacientes ambulatorios y el número de comorbilidades (otras enfermedades) presentes.
«Presumimos que MASPC nos permitiría agrupar a pacientes con patrones similares en sus datos para definirlos como resistentes y no resistentes al SARS-CoV-2, y con la esperanza de que el algoritmo aprendiera con cada análisis cómo mejorar la precisión y confiabilidad de asignaciones futuras», dice Ray. «Este estudio inicial con datos de JH-CROWN se realizó para dar vida a esa hipótesis, un ensayo de prueba de concepto de nuestro modelo estadístico para mostrar que la resistencia a COVID-19 podría ser predecible según el perfil clínico y demográfico de un paciente».
«En el Conjunto de entrenamiento y prueba, identificamos 56 patrones de códigos ICD divididos en dos grupos: asociados con resistencia o no asociados», dice Yang. «Los análisis estadísticos de qué tan bien diferenciaron estos patrones entre la resistencia y la no resistencia produjeron cinco patrones que hicieron el mejor trabajo para nuestros pequeños y localizados [Baltimore-Washington, D.C., metroplex] población de estudio para definir quién estuvo más probablemente expuesto al SARS-CoV-2».
«Al buscar estos patrones en HHI Set, las personas con mayor probabilidad de haber estado expuestas al SARS-CoV-2 en lugares cerrados, y luego analizar estadísticamente los resultados, el mejor rendimiento de nuestro modelo fue 0,61», dice Ray. «Dado que una puntuación de 0,5 muestra solo una asociación aleatoria entre la predicción y la realidad, y 1 es una asociación del 100 %, esto muestra que el modelo es prometedor como herramienta para identificar a las personas con resistencia a la COVID-19 que pueden estudiarse más a fondo», dice Ray.
Las limitaciones del estudio, dice Ray, incluyen el posible sesgo del autoinforme de la exposición al COVID-19 por parte de los participantes, el pequeño número de participantes en el grupo HHI, la posibilidad de que los participantes se hayan hecho la prueba del SARS-CoV-2 usando kits caseros o en las instalaciones. fuera del sistema Johns Hopkins (y, por lo tanto, las pruebas no se registraron en la base de datos JH-CROWN) y el breve período de tiempo del estudio en sí. Agrega que se necesitan ensayos futuros que utilicen datos de pacientes nacionales para validar la capacidad del modelo.
Junto con Yang y Ray, los miembros del equipo de estudio de Johns Hopkins Medicine y la Universidad Johns Hopkins son los estudiantes de posgrado y pregrado Yijia Chen, Jacob Desman, Kevin Gorman, Chloé Paris, Ilia Rattsev, Tony Wei y Rebecca Yoo; y los coautores principales de la facultad Joseph Greenstein y Casey Overby Taylor.
Los autores del estudio informan que no tienen conflictos de intereses.
