Implementación de un modelo para predecir la resistencia a carbapenémicos en klebsiella pneumoniae mediante un algoritmo de machine learning

Abstract

Klebsiella pneumoniae es un patógeno oportunista asociado al ambiente intrahospitalario y que provoca infecciones graves en pacientes en riesgo. El tratamiento antibiótico puede incluir carbapenémicos en episodios infecciosos causados por K. pneumoniae resistente a otros antibióticos. No obstante, K. pneumoniae ha adquirido resistencia a múltiples antibióticos, convirtiéndose en un problema de salud pública. El diagnóstico tardío y la prescripción no específica han aumentado las tasas de mortalidad. Las herramientas de Inteligencia Artificial (AI) se han convertido en un apoyo a las técnicas tradicionales para el diagnóstico y prescripción de un tratamiento. En este proyecto se implementó un modelo basado en Machine Learning (ML) para predecir la resistencia de K. pneumoniae a imipenem y meropenem. La extensa cantidad de datos de secuenciación de nueva generación (NGS) permitió formar un set de datos para el entrenamiento del modelo de ML. El preprocesamiento basado en estudios de asociación de genoma completo (GWAS) corrigió los problemas asociados a la estructura poblacional bacteriana y la dimensionalidad. Los modelos se entrenaron mediante un algoritmo Extreme Gradient Boosting (XGBoost) optimizando tiempo y recursos computacionales. Los resultados de aprendizaje demostraron la capacidad de los modelos basados en ML para predecir fenotipos de susceptibilidad antimicrobiana. No obstante, las métricas de evaluación se podrían mejorar aumentando la cantidad de aislados.