Identificación y pronóstico de sífilis congénita mediante técnicas de Aprendizaje Automático para las localidades de Usme, Tunjuelito, Ciudad Bolívar y Sumapaz (Bogotá D.C.)
View/
Compartir en:
- Views
- Downloads
Date
2022Publicador
Fundación Universitaria Los Libertadores. Sede Bogotá.
Documentos PDF
Abstract
La sífilis congénita es una infección bacteriana grave transmitida en un recién nacido de una madre que no fue tratada o fue tratada de manera inadecuada para la sífilis durante el embarazo; las consecuencias de esta infección en el bebé están relacionadas con una afectación en la calidad de vida y enfermedades como masas abdominales, bajo peso, anormalidades esqueléticas y dolores óseos, inflamación articular, ceguera, sordera, entre otros, e inclusive la muerte, por lo que constituye un problema de interés en salud pública a nivel mundial; esto ha llevado a los gobiernos y científicos a la búsqueda de estrategias para la reducción de nuevos casos de sífilis en bebés; por ello la importancia de contar con modelos predictivos como herramienta para la identificación temprana de factores de riesgo o variables en las embarazadas y así realizar una acción en salud para evitar el contagio de sífilis al recién nacido. Desde este punto de gravedad e impacto que la sífilis congénita genera, el presente trabajo utilizó técnicas de aprendizaje automático para la elaboración de modelos predictivos que apoyen la identificación de variables relacionadas con la aparición de nuevos casos de recién nacidos infectados y que sean útiles en las instituciones de salud para el manejo oportuno del tratamiento en la mujer gestante; esto a partir del conocimiento sobre variables sociodemográficas y de salud de la madre y su contexto. Se contó con un conjunto de datos que recopilan información sociodemográfica y de salud de una cohorte de 451 mujeres gestantes con diagnóstico positivo para sífilis de las localidades de Usme, Tunjuelito, Ciudad Bolívar y Sumapaz (Bogotá D.C.); se contó con información básica acerca del recién nacido en cuanto a su peso y estado de contagio de sífilis; se identificó en el conjunto de datos que el 21,5% (n=97) de los nacimientos de madres con sífilis también nacieron con sífilis (sífilis congénita); se entrenaron 12 modelos de predicción de sífilis congénita mediante técnicas de aprendizaje automático supervisado. El principal resultado ha sido generar cuatro modelos predictivos, K Neighbors Classifier, Light Gradient Boosting Machine, Gradient Boosting Classifier y Random Forest Classifier. Sobre los modelos de predicción se evaluaron sus métricas de desempeño para seleccionar el mejor de ellos, logrando un F1-Score del 77,28% en el modelo basado en K Neighbors Classifier , del 73,69% en el modelo basado en Light Gradient Boosting Machine, del 73,76% en el modelo basado en Gradient Boosting Classifier y del 68,38% en el modelo basado en Random Forest Classifier, además con sensibilidad por encima del 70%, superando las métricas de desempeño de un modelo inicial basado en reglas; se consideran como variables relevantes en el potencial predictivo del modelo basado en algoritmos de aprendizaje automático: el número de semanas de gestación al momento del primer control prenatal; la edad de la madre y del; procedencia de la madre y el número de controles prenatales totales esperados.