APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE RESISTENCIAS ANTIMICROBIANAS A PARTIR DE DATOS DE ESPECTROMETRÍA DE MASAS

Abstract

Las resistencias antimicrobianas (RAM) representan una de las mayores amenazas a la salud pública mundial en la actualidad. Su impacto es tan significativo que se estima que, en el año 2050, podrían causar alrededor de 10 millones de muertes en todo el mundo si no se invierte la tendencia. Por ello, es imprescindible abordar este problema con métodos innovadores que permitan un diagnóstico rápido y preciso de las infecciones, reduciendo así la mortalidad asociada a ellas y minimizando el surgimiento de nuevas resistencias. Una técnica rápida, precisa y asequible para la identificación de microorganismos es la espectrometría de masas de desorción/ionización láser asistida por matriz acoplada a un detector de tiempo de vuelo (MALDI-TOF-MS), que al combinarlo con técnicas de aprendizaje automático, aumenta su potencial. El uso de estos modelos permite aprovechar los espectros generados por la espectrometría de masas, lo que posibilita discriminar los microorganismos resistentes a los antimicrobianos de los sensibles, y la identificación de biomarcadores asociados a la RAM. Con el propósito de lograr esta meta, se ha definido un modelo de clasificación denominado Red Neuronal Bayesiana (BNN) en el que se han optimizado hiperparámetros como la cantidad de neuronas ocultas o la función de activación para conseguir un algoritmo con buena generalización. Esta técnica se ha implementado con dos conjuntos de datos diferentes resultantes tras la técnica MALDI-TOF-MS. En primer lugar, se toman las muestras de Aspergillus fumigatus y se discriminan la especie Sensu Stricto (s.s.) de las especies crípticas y las muestras de Aspergillus fumigatus s.s. resistentes de las sensibles a los azoles. A continuación, se toman las muestras de bacterias E. Coli con el objetivo de discernir los organismos con respuesta resistente y sensible a los antibióticos Ciprofloxacin, Ceftriaxone y Cefepime. Los resultados adquiridos con la BNN se comparan con los de los modelos Random Forest y LightGBM, obteniéndose en el caso del conjunto de Aspergillus fumigatus mejores prestaciones de la BNN. Sin embargo, en el conjunto de E. Coli, aunque semejantes, la BNN obtiene unos valores inferiores a LightGBM en las prestaciones balanced accuracy y AUC, y superiores en el caso de precision y specificity para la clasificación de las muestras resistentes y sensibles a los antibióticos Ciprofloxacin y Ceftriaxone. En la discriminación en función de la respuesta al antibiótico Cefepime, tanto la BNN como LightGBM obtienen las mismas prestaciones, superando las de Random Forest. Por lo tanto, la BNN diseñada demuestra ser capaz de distinguir correctamente las categorías definidas del conjunto Aspergillus fumigatus, facilitando a los profesionales clínicos la toma de decisiones en este caso. No obstante, en las muestras de E. Coli las categorías obtenidas están distanciadas de la realidad, no siendo la BNN adecuada para este propósito.