Se incluyeron 97 personas que vivían con el VIH ingresadas en la unidad de emergencia del IIER con manifestaciones respiratorias sugestivas de NPC. Ocho pacientes fueron excluidos por ser trasladados a otro servicio de salud dentro de las primeras 24 h de ingreso (n = 6) o por no proporcionar esputo inducido (n = 2). Por lo tanto, 86 pacientes se sometieron a los ejercicios de radiología y laboratorio prescritos por el médico tratante. Las variables estadísticamente diferentes entre los dos grupos, con y sin PCP probado por qPCR, se muestran en la Tabla 1. En la tabla complementaria se muestran datos sociodemográficos y clínicos adicionales. 1. Los pacientes con resultados de PCR sugestivos de colonización se agruparon con los pacientes con PCR negativa, ya que el propósito del estudio period apoyar la decisión de tratamiento.
Como se describió anteriormente, los dos grupos no difirieron significativamente en aspectos sociodemográficos u otras variables clínicas, radiológicas y de laboratorio.17.
En nuestro estudio, las variables clínicas, de laboratorio y radiológicas comúnmente asociadas a la NPC que mostraron diferencias estadísticas fueron las siguientes: tos seca, aumento de la frecuencia respiratoria, disminución de O2 saturación (O2se sentó) en gases en sangre arterial, niveles elevados de LDH, valores más bajos de PCR, recuento bajo de células CD4, mayor carga viral del VIH, radiografía de tórax que muestra infiltrado intersticial difuso (DII), tomografía computarizada que indica una imagen en “vidrio esmerilado”, presencia de enfermedad por citomegalovirus (CMV) y valores más altos de BDG. Se excluyó el valor BDG ya que no está disponible en la mayoría de las salas de emergencia brasileñas. Estas variables luego fueron sometidas al análisis de Boruta para determinar el peso de cada una en el diagnóstico de PCP. El análisis de Boruta validó todas las variables excepto la coinfección por CMV. La opacidad en vidrio deslustrado en la tomografía computarizada se asoció más fuertemente con la predicción de PCP, seguida de LDH y O2 arterial.se sentó, PCR y carga viral del VIH. Menos pero aún significativamente asociados con la predicción de PCP fueron la radiografía de tórax con DII, el recuento de células CD4, una frecuencia respiratoria superior a 24 lpm y la tos seca (Fig. 1-Información suplementaria).
Paralelamente, también diseñamos cuatro escenarios posibles con el objetivo de abarcar la gama variable de instalaciones proporcionadas en las salas de emergencia en Brasil, como se muestra en la Tabla 2. Utilizamos seis variables en dos escenarios y ocho variables en los otros dos. Los escenarios fueron encaminados dependiendo de si la sala de urgencias cuenta con equipo de rayos X o tomografía computarizada (que presenta mayor sensibilidad para diagnosticar enfermedades pulmonares intersticiales).34), asociado al siguiente conjunto de variables: LDH (U/L), O2se sentó en sangre arterial (%), PCR (mg/dL), frecuencia respiratoria > 24 lpm y tos seca. Como las células CD4 y la carga viral del VIH se realizan sólo en unos pocos laboratorios de referencia del Ministerio de Salud de Brasil, sus resultados no son rápidamente accesibles, por lo que fueron incluidos para los análisis sólo en escenarios secundarios como variables adicionales.
Aplicamos diez modelos predictivos, como se describe en la sección de métodos, a los cuatro escenarios y utilizamos cinco métricas para evaluar el desempeño de los modelos diseñados, como se presenta en las Tablas. 3, 4, 5y 6. El recuerdo es relevante en entornos donde ningún paciente debe omitir un tratamiento específico porque, por ejemplo, la enfermedad puede poner en peligro su vida (como es el caso de la PCP). Sin embargo, de lo contrario puede conducir al tratamiento de casos de falsos positivos. La precisión informa la capacidad del modelo para indicar el tratamiento correcto para casos de PCP verdaderamente positivos. La precisión corresponde tanto a la capacidad de implementar tratamiento para casos de PCP verdaderamente positivos como a no implementar tratamiento para pacientes negativos. El AUC indica la utilidad del predictor para brindar los mejores puntos de equilibrio entre tasas de verdaderos positivos y falsos positivos y resumir el desempeño en todas las compensaciones de puntos operativos.
Los diez modelos funcionaron satisfactoriamente en los cuatro escenarios, lo que sugiere que seleccionar las variables basándose en el conocimiento previo de los análisis estadísticos y de Boruta fue apropiado. Cuatro obtuvieron resultados particularmente buenos: NB, NN, RF y XGBoost. En normal arrojaron índices superiores a 0,8 para la mayoría de los escenarios y las cinco métricas, que es la recomendación routine para las pruebas de diagnóstico.33. Uno de los criterios más familiares utilizados en la literatura para evaluar el desempeño de un modelo predictivo es el AUC, cuyo desempeño normal nos permite comparar gráficamente el desempeño de los modelos predictivos. Cifra 1 Representa el AUC para estos cuatro modelos en los cuatro escenarios, mostrando índices frecuentes por encima de 0,9. Sin embargo, como nuestro objetivo principal es brindar tratamiento solo para casos verdaderos de PCP, evitando el tratamiento innecesario de casos sin PCP, optamos por la precisión como criterio principal. La precisión mide la corrección normal para pacientes verdaderos positivos y verdaderos negativos, informando la capacidad de implementar el tratamiento para PCP y no para pacientes que no son PCP. Además, la exactitud, la precisión y el valor predictivo negativo son métricas que dependen de la prevalencia, mientras que el AUC, el recuerdo y la especificidad son independientes de la prevalencia.
Área bajo la curva (AUC) de los modelos predictivos con mejor rendimiento calculado para cada uno de los escenarios A, B, C y D: aumento de gradiente extremo (XGboost), Naïve Bayes, vecino más cercano y bosque aleatorio. La Figura 1 muestra el AUC de los modelos predictivos que presentaron un mayor desempeño para cada escenario. Escenario A: NN, NB y RF. Escenario B: NB, RF y XGBoost. Escenario C: NB, RF y NN. Escenario D: RF, NB y NN.
Respecto al escenario A (Tabla 3), que imita la configuración routine de las salas de emergencias (es decir, hay una radiografía disponible, pero no una tomografía computarizada), el modelo NN arrojó la puntuación de precisión más alta (0,923), seguido de cerca por RF y NB con 0,885. Los tres también mostraron un AUC > 0,9. NN y NB presentaron índices de precisión y recuerdo > 0,8. Aunque el modelo RF alcanzó la precisión más alta (1,0), presentó un recuerdo bajo (0,7), lo que afectó negativamente su puntuación F1. Además, un cuarto modelo, EN, también mostró una alta precisión (> 0,8), pero puntuaciones algo más débiles en precisión (0,78) y recuperación (0,7). Los seis modelos restantes tuvieron un desempeño modesto en comparación con los anteriores, tres arrojaron índices de precisión entre 0,7 y 0,8 y tres por debajo de 0,7, con desempeños variables por debajo de 0,8 en los otros criterios.
En el escenario B (Tabla 4), los modelos que utilizaron tomografía computarizada en lugar de rayos X mostraron en normal mejores desempeños que en el escenario A, considerando el notable (n = 8) número de modelos predictivos que alcanzaron valores de precisión > 0,8. Es possible que esto se deba a que la tomografía computarizada torácica tiene mayor sensibilidad que las radiografías de tórax para detectar lesiones intersticiales pulmonares.35. A diferencia del escenario A, en el escenario B fue el RN el que alcanzó mayor precisión (0,923) así como puntuaciones ≥ 0,9 en las demás métricas, especialmente el AUC, con una puntuación de 0,981. Siete modelos predictivos adicionales presentaron puntuaciones de precisión altas (≥ 0,8), como RF y XGBoost (0,885), con puntuaciones altas (≥ 0,8) también en las otras métricas. Aunque BT y NN mostraron una buena precisión (0,846), NN produjo una precisión modesta (0,75) y BG una puntuación de recuerdo modesta (0,7). Los cinco modelos restantes, árbol de decisión, LightGBM, MP, EN y LSVM, tuvieron un rendimiento algo más modesto que los mencionados anteriormente.
Los análisis de escenarios, incluida la tomografía computarizada de tórax, plantearon la cuestión de la importancia de esta variable para el desempeño de los modelos. Si bien se reconoce un mejor desempeño para el diagnóstico de enfermedades intersticiales, en los escenarios B y D los modelos alcanzaron puntajes similares a los de la radiografía de tórax, excepto por el AUC más alto de 0,981 con el NB en el escenario B. La presencia de “vidrio esmerilado” Está bien establecido que la opacidad en la tomografía computarizada del tórax de personas que viven con el VIH y presentan síntomas pulmonares está altamente asociada con PCP o infecciones virales.35. Sin embargo, no es una señal específica y no debe tomarse sola para diagnosticar la PCP, especialmente en pacientes con SIDA que, con frecuencia, desarrollan infecciones pulmonares oportunistas concomitantes.35. Por este motivo, seguimos recomendando su uso en entornos donde esté disponible una tomografía computarizada.
En el escenario C (Tabla 5), inesperadamente, agregar el recuento de células CD4 y la carga viral del VIH a las variables del escenario A no resultó en rendimientos más altos, siendo la puntuación de precisión más alta de 0,885 (NB). Cuatro modelos alcanzaron una precisión superior a 0,8, con retiradas de 0,9. Aún así, tres de ellos tuvieron valores de precisión <0,8, lo que puede conducir al resultado no deseado de implementar un tratamiento empírico en pacientes sin PCP. En normal, el rendimiento de los modelos en este escenario fue ligeramente más débil que en los escenarios A y B.
Escenario D (Tabla 6), con la adición del recuento de células CD4 y la carga viral del VIH al conjunto de variables, tampoco mejoró aún más la precisión del modelo. El puntaje de precisión más alto se alcanzó con RF (0,923), que también arrojó puntajes superiores a 0,9 en precisión, recuperación y AUC, desempeño muy comparable al observado con el NB en el escenario B. En el escenario B, los otros siete modelos presentaron precisión. puntuaciones > 0,8. NB alcanzó la segunda mayor precisión (0,885), seguido de cerca por el árbol de decisión, BT, NN y LSVM (0,846). Estos cuatro modelos también obtuvieron buenos resultados en las otras métricas, alcanzando valores ≥ 0,8.
