Show simple item record

dc.contributor.authorBronte Moreno, O.
dc.contributor.authorUrrutia Landa, I.
dc.contributor.authorGarcía, F. 
dc.contributor.authorMartínez-Minaya, J. 
dc.contributor.authorUranga Echeverria, A.
dc.contributor.authorLee, D.-J. 
dc.contributor.authorGarcía Hontoria, P.
dc.contributor.authorJódar Samper, A.
dc.contributor.authorArostegui, I. 
dc.contributor.authorMenéndez Villanueva, R.
dc.contributor.authorMéndez Ocaña, R.
dc.contributor.authorTorres Marti, A.
dc.contributor.authorCillóniz, C.
dc.contributor.authorZalacain Jorge, R.
dc.contributor.authorRuiz Aldaiturriaga, L.A.
dc.contributor.authorSerrano Fernández, L.
dc.contributor.authorEspaña Yandiola, P.P.
dc.date.accessioned2022-10-24T06:45:50Z
dc.date.available2022-10-24T06:45:50Z
dc.date.issued2021-11
dc.identifier.urihttp://hdl.handle.net/20.500.11824/1528
dc.description.abstractIntroducción La contaminación del aire exterior se ha relacionado con mayor gravedad de las infecciones respiratorias. Por tanto, su inclusión en algoritmos predictivos podrían añadir información para pronosticar la gravedad de neumonías SARS-CoV-2. Material y métodos Estudio observacional longitudinal retrospectivo de cohortes, multicéntrico en 4 hospitales. Se incluyeron ingresos por neumonía SARS-CoV-2 en el primer pico epidémico de COVID-19 (febrero-mayo 2020). Se recogieron hasta 93 variables clínicas, analíticas y radiológicas por cada paciente (sexo, edad, peso, comorbilidades, síntomas, variables fisiológicas en urgencias, sangre, gasometría, etc.). Además, se calcularon los niveles exposición a contaminación por PM$_{10}$, PM$_{2.5}$, O$_{3}$, NO$_{2}$, NO, NO$_{X}$, SO$_{2}$ y CO en su código postal. En función de la evolución clínica de la neumonía, se definieron 3 niveles de gravedad [Tabla 1]. Para predecir dicha gravedad, se desarrolló un algoritmo de inteligencia artificial (IA), tipo ‘Random Forest’ con balanceo y ajuste automático de sus parámetros internos. El algoritmo se entrenó y evaluó mediante 20 repeticiones de validación cruzada 10-fold (90% entrenamiento, 10% validación), estratificando aleatoriamente por hospital y gravedad. Resultados En los conjuntos de validación, el algoritmo alcanzó una capacidad predictiva (área bajo la curva ROC) promedio AUC=0.834 para gravedad nivel 0, AUC=0.724 para 1 y AUC=0.850 para 2 [Figura 1]. Sin la información de contaminantes, su capacidad predictiva se degradó ligeramente (AUCs = 0.829, 0.722, 0.844; respectivamente). Conclusiones Nuestro algoritmo IA es capaz de predecir de manera satisfactoria la evolución de la gravedad en la neumonía; en particular para los casos más leves y más severos. El algoritmo IA extrae las reglas más relevantes a partir principalmente de la información clínica, analítica y radiológica de cada individuo; no obstante, la incorporación de la exposición a contaminantes mejora ligeramente la capacidad predictiva. El impacto de la contaminación podría estar ya reflejado en las analíticas de sangre, a través de su efecto en los niveles de inflamación del paciente (PCT, PCR, LDH, etc.).en_US
dc.formatapplication/pdfen_US
dc.language.isospaen_US
dc.rightsReconocimiento-NoComercial-CompartirIgual 3.0 Españaen_US
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/en_US
dc.titlePredicción de la gravedad de neumonías por SARS-CoV-2 a partir de información clínica y contaminación, mediante inteligencia artificialen_US
dc.typeinfo:eu-repo/semantics/conferenceObjecten_US
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessen_US
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersionen_US
dc.journal.title54 Congreso Nacional de la Sociedad Española de Neumología y Cirugía Torácica (SEPAR)en_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Reconocimiento-NoComercial-CompartirIgual 3.0 España
Except where otherwise noted, this item's license is described as Reconocimiento-NoComercial-CompartirIgual 3.0 España