Inteligencia Artificial predice la resistencia antibiótica en cuidados intensivos

La investigación científica realizada en Irán reveló el potencial para predecir el riesgo de resistencia multifarmacéutica en pacientes de cuidados intensivos quirúrgicos de modelos de aprendizaje automático. El modelo XGBoost desarrollado con datos clínicos de 106 pacientes presenta resultados notables sobre el uso de inteligencia artificial en la gestión de pronósticos de resistencia antibiótica e infecciones hospitalarias.

La resistencia a los antibióticos es uno de los problemas de salud importantes que dificultan los procesos de tratamiento especialmente en las unidades de cuidados intensivos. Las bacterias con resistencia múltiple a las drogas pueden fortalecer el control de las infecciones mostrando resistencia a múltiples grupos de antibióticos. Por lo tanto, la determinación temprana de pacientes de alto riesgo es importante para la creación de estrategias de tratamiento apropiadas.

Los avances en el uso de tecnologías de inteligencia artificial y aprendizaje automático en el campo de la salud crean nuevas áreas de investigación para la evaluación temprana de este problema. Publicado en Springer Nature investigación científicaEl cuidado intensivo quirúrgico de los modelos de aprendizaje automático examina el potencial para predecir el riesgo de resistencia multifarmacéutica en los pacientes.

La investigación se realizó con datos de 106 pacientes de cuidados intensivos

El 28 de octubre de 2025, el estudio publicado en la revista UNC Infectious Diseases se realizó en la unidad de cuidados intensivos quirúrgicos del Hospital Namazi en el sur de Irán. En enero de 2022 a diciembre de 2023, los datos del paciente fueron revisados retrospectivamente después de 106 cirugías.

Los investigadores evaluaron edad, sexo, enfermedades adicionales, historia quirúrgica, uso antibiótico, resultados de la cultura microbiológica y hallazgos clínicos.

¿Qué microorganismos se detectan?

En el estudio se evaluaron 175 registros microbiológicos totales. En 145 se logró una cultura positiva. Los microorganismos especificados en ejemplos positivos fueron:

• Escherichia coli: 20 por ciento en la cara.

• Acinetobacter: En la cara 17,24.

• Klebsiella: En la cara 16,55.

La resistencia múltiple a las drogas (MDR) en el 62,07 por ciento de los Isolados se determinó en el 3,45 por ciento y la resistencia avanzada a las drogas (XDR). No se detectó resistencia a las drogas (PDR).

¿Cómo es que XGBoost Algorithm predice la resistencia antibiótica?

Uno de los componentes básicos de la investigación fue el modelo de aprendizaje automático desarrollado con algoritmo XGBoost. XGBoost es un algoritmo que hace la predicción combinando diferentes árboles de decisión. Su objetivo es mejorar el rendimiento del modelo considerando errores en predicciones anteriores.

Los investigadores compararon el modelo XGBoost con el método de regresión logística. El 80% de los datos establecidos se dividieron en entrenamiento, 20 por ciento con fines de prueba. También se aplicaron validación cruzada de cinco pisos y optimización del hiperparametro.

Resultados del rendimiento del modelo

El modelo XGBoost alcanzó el valor de 0,76 ROC-AUC y la precisión del 70% en los datos de prueba. El valor promedio de ROC-AUC en la verificación cruzada de cinco capas se calculó como 0.896±0.05. El modelo de regresión logística logró 0,73 pruebas ROC-AUC y 77 por ciento de precisión.

Estos resultados muestran que el modelo XGBoost tiene un mayor valor ROC-AUC en su desempeño de distinción, pero la regresión logística en su medida de precisión está fuera.

¿Qué variables son el análisis SHAP?

Los investigadores utilizaron el análisis SHAP para explicar las previsiones del modelo. Indicador de infección positiva de gramos, indicador de infección positiva de gramos, la duración de la terapia antibiótica y la edad del paciente es una de las variables prominentes en las predicciones.

El análisis SHAP ayuda a determinar qué variantes del modelo están afectadas. Sin embargo, estas variables no pueden probar causar resistencia directa a los antibióticos.

¿Cómo utilizar el aprendizaje automático en salud?

El aprendizaje automático se investiga en términos de evaluación de prácticas de salud, gran cantidad de datos clínicos y determinación de relaciones complejas. La predicción de resistencia antibiótica es una de estas áreas de aplicación. Especialmente en los casos en que los resultados de laboratorio aún no se alcanzan, los pacientes pueden proporcionar datos clínicos disponibles, evaluación del riesgo.

La determinación de pacientes de alto riesgo entre las posibles áreas de este enfoque es la reevaluación de la terapia antibiótica, la prioridad de las pruebas microbiológicas y la vigilancia de las infecciones hospitalarias.

World Health Organization evaluación de la resistencia antimicrobiana Esta cuestión se aborda como una amenaza importante en términos de salud mundial. La institución destaca la importancia de prevenir las infecciones y una sólida infraestructura de laboratorio en la lucha contra la resistencia.

¿Cómo pueden las decisiones clínicas de apoyo de inteligencia artificial?

Los modelos de aprendizaje automático pueden marcar condiciones que pueden ser altas en el riesgo de resistencia evaluando los datos clínicos actuales del paciente.

Estos sistemas pueden proporcionar apoyo a los clínicos en procesos como la revisión de la terapia antibiótica anírica, la determinación de pacientes de alto riesgo y las prioridades de los exámenes microbiológicos.

Pero las conjeturas producidas por la inteligencia artificial no son suficientes para dar la decisión del tratamiento solo. La condición clínica del paciente debe evaluarse junto con los resultados de la cultura y el antibiograma.

¿Cuál es la limitación de la investigación?

Aunque los resultados del estudio son prometedores, existen algunas limitaciones importantes. La primera investigación abarca sólo 106 pacientes y un solo hospital. El grupo de datos, que se prueba, consta de 22 pacientes. Por lo tanto, no es posible generalizar directamente los resultados del rendimiento obtenido directamente a los grupos más grandes de pacientes.

Para el segundo modelo, la verificación externa se realizó con datos independientes obtenidos de diferentes hospitales. Como los hospitales pueden cambiar los perfiles de resistencia y los hábitos de uso antibiótico, el modelo debe ser reevaluado en diferentes sistemas de salud.

91.5% de la tasa de mortalidad hospitalaria reportada en la investigación también llama la atención. Sin embargo, esta tasa no puede incluirse en la población de cuidados intensivos generales del grupo de pacientes privados en el estudio.

¿Qué pasos son importantes para la investigación futura?

El enfoque de los investigadores necesita estudios más amplios y multi-basados para llevar aplicaciones clínicas. Las verificaciones a realizar con datos obtenidos de diferentes hospitales pueden ayudar a evaluar el rendimiento del modelo en diferentes perfiles de pacientes.

Además, el modelo de marcadores de resistencia molecular es importante para futuros temas de investigación, como la comparación de diferentes algoritmos de aprendizaje automático e integración con sistemas de apoyo a decisiones clínicas.

Académicos interesados en el uso de herramientas de IA en investigación científica, Herramientas de inteligencia artificial que se pueden utilizar en la escritura de tesis También puede examinar las tecnologías que se pueden evaluar en los procesos de trabajo académico a través del contenido.

El futuro de la inteligencia artificial en investigación de la resistencia antibiótica

La investigación lleva una naturaleza de estudio articulada que muestra que los métodos de inteligencia artificial y aprendizaje automático se pueden utilizar para evaluar el riesgo de resistencia en infecciones de cuidado intensivo. Los resultados obtenidos por XGBoost ofrecen un enfoque orientado al valor para la investigación sobre la determinación de pacientes de alto riesgo utilizando datos clínicos rutinarios.

Sin embargo, no es que los modelos de inteligencia artificial sean reemplazados por pruebas de cultura y antibiyograma. Se requiere la evaluación de las decisiones clínicas, los resultados de laboratorio y la condición general del paciente.

Los modelos que se verifiquen en grupos de pacientes más grandes y diferentes organizaciones de salud en el futuro pueden contribuir al desarrollo de sistemas de apoyo a las decisiones clínicas en el control de la gestión antibiótica e infecciones de cuidado intensivo.