Evaluación de la cadena de aprendizaje automático para la predicción de resultados de cultivos sanguíneos en datos recolectados prospectivamente en el departamento de emergencia de Australia Occidental

Resumen Las infecciones del torrente sanguíneo (ITS) son particularmente problemáticas en el departamento de emergencia (DE) de los hospitales, donde los pacientes a menudo se presentan con enfermedades no diferenciadas, y la presencia de ITS es difícil de detectar. Identificar si un paciente necesita que se le realice una prueba de cultivo sanguíneo (CS) es uno de los componentes de este desafío, con implicaciones para la eficiencia diagnóstica, el uso responsable de recursos y el gasto innecesario. Este artículo explora la validación de modelos de aprendizaje automático (AA) previamente desarrollados para la predicción de resultados de CS utilizando un conjunto de datos de pacientes del DE recolectados prospectivamente. Se evaluó más a fondo una cadena de AA que contenía modelos previamente entrenados utilizando cuenta completa de sangre (CBC), diferencial de glóbulos blancos (DIFF) y datos de población celular (DPC) generados por analizadores de hematología Sysmex XN-2000 utilizando datos recolectados prospectivamente que contenían resultados de muestras de pacientes del DE en el hospital Sir Charles Gairdner (SCGH), Perth, Australia Occidental. Las muestras de sangre utilizadas para producir CBC, DIFF y DPC se obtuvieron al mismo tiempo que las muestras de CS. Se recogieron 64 muestras de 63 pacientes únicos. 54 de esas muestras estaban asociadas con resultados negativos de CS, y 10 con resultados positivos de CS. Evaluamos modelos de AA previamente desarrollados de XGBoost (XG) y Random Forest (RF) para la predicción de resultados positivos de CS. Los modelos RF y XG obtuvieron puntajes de área bajo la curva característica del operador receptor de 0.870 y 0.841 en el conjunto de datos del DE. Estos resultados proporcionan la base para una mayor validación y despliegues en sombra de modelos de predicción de resultados de CS en entornos clínicos. Se proporcionan modelos de AA, datos y código para reproducir los resultados presentados en este trabajo en un repositorio de código abierto.