Inteligencia artificial en enfermedades infecciosas / Artificial intelligence in infectious diseases

Estamos asistiendo a una verdadera revolución tecnológi-ca en el campo de la salud. Los procesos basados en la aplicación de la inteligencia artificial (IA) y el aprendizaje automático (AA) están llegando progresivamente a todas las áreas disciplinares, y su aplicación en el campo de las enfermedades infecciosas es ya vertiginoso, acelerado por la pandemia de COVID-19.Hoy disponemos de herramientas que no solamente pue-den asistir o llevar adelante el proceso de toma de deci-siones basadas en guías o algoritmos, sino que también pueden modificar su desempeño a partir de los procesos previamente realizados. Desde la optimización en la identificación de microorganis-mos resistentes, la selección de candidatos a participar en ensayos clínicos, la búsqueda de nuevos agentes terapéu-ticos antimicrobianos, el desarrollo de nuevas vacunas, la predicción de futuras epidemias y pandemias, y el segui-miento clínico de pacientes con enfermedades infecciosas hasta la asignación de recursos en el curso de manejo de un brote son actividades que hoy ya pueden valerse de la inteligencia artificial para obtener un mejor resultado. El desarrollo de la IA tiene un potencial de aplicación expo-nencial y sin dudas será uno de los determinantes principa-les que moldearán la actividad médica del futuro cercano.Sin embargo, la maduración de esta tecnología, necesaria para su inserción definitiva en las actividades cotidianas del cuidado de la salud, requiere la definición de paráme-tros de referencia, sistemas de validación y lineamientos regulatorios que todavía no existen o son aún solo inci-pientes

We are in the midst of a true technological revolution in healthcare. Processes based upon artificial intelligence and machine learning are progressively touching all disciplinary areas, and its implementation in the field of infectious diseases is astonishing, accelerated by the COVID-19 pandemic. Today we have tools that can not only assist or carry on decision-making processes based upon guidelines or algorithms, but also modify its performance from the previously completed tasks. From optimization of the identification of resistant pathogens, selection of candidates for participating in clinical trials, the search of new antimicrobial therapeutic agents, the development of new vaccines, the prediction of future epidemics and pandemics, the clinical follow up of patients suffering infectious diseases up to the resource allocation in the management of an outbreak, are all current activities that can apply artificial intelligence in order to improve their final outcomes.This development has an exponential possibility of application, and is undoubtedly one of the main determinants that will shape medical activity in the future.Notwithstanding the maturation of this technology that is required for its definitive insertion in day-to-day healthcare activities, should be accompanied by definition of reference parameters, validation systems and regulatory guidelines that do not exist yet or are still in its initial stages

Aprendizaje automático aplicado en área de la salud: parte 2 / Machine Learning In Healthcare: part 2

En el artículo anterior se introdujo el tema y se desarrolló cómo es la recolección y análisis de datos, la selección y entrenamiento de modelos de aprendizaje automático supervisados y los métodos de validación interna que permiten corroborar si el modelo arroja resultados similares a los de otros conjuntos de entrenamiento y de prueba. En este artículo continuaremos con la descripción de la evaluación del rendimiento, la selección del modelo más adecuado para identificar la característica que se va a evaluar y la validación externa del modelo. Además, el artículo resume los desafíos existentes en la implementación del Machine Learning desde la investigación al uso clínico. (AU)

In the previous article, we introduced topics such as data collection and analysis, selection and training of supervised machine learning models and methods of internal validation that allow to corroborate whether the model yields similar results to other training and test sets.In this article, we will continue with the description of the performance evaluation, selecting the most appropriate model to identify the characteristic to evaluate and the external validation of the model. In addition, the article summarizes the actual challenges in the implementation of machine learning from research to clinical use. (AU)

Aprendizaje automático aplicado en área de la salud: parte 1 / Machine learning in healthcare: part 1

Este será el primero de dos artículos donde se tratarán los pasos necesarios para desarrollar un proyecto de aplicación de técnicas de Machine Learning en Salud, que introduce nociones sobre la recolección y análisis de datos, la selección y entrenamiento de modelos de aprendizaje auto-mático de tipo supervisado y los métodos de validación interna para cada modelo. (AU)

This will be the first of two articles where the steps needed to apply machine learning methods in healthcare will be discussed. It will introduce fundamental notions about data collection, selection and training of supervised ML models as well as the methods of internal validation. In a second article, we will discuss about the performance evaluation to select the most appropriate model and its external validation. (AU)

Design and development of an early warning score for COVID-19 hospitalized patients / Diseño y desarrollo de un sistema de alerta temprana para pacientes hospitalizados por COVID-19

Abstract Pandemics pose a major challenge for public health preparedness, requiring a coordinated international response and the development of solid containment plans. Early and accurate identifica tion of high-risk patients in the course of the current COVID-19 pandemic is vital for planning and making proper use of available resources. The purpose of this study was to identify the key variables that account for worse outcomes to create a predictive model that could be used effectively for triage. Through literature review, 44 variables that could be linked to an unfavorable course of COVID-19 disease were obtained, including clinical, laboratory, and X-ray variables. These were used for a 2-round modified Delphi processing with 14 experts to select a final list of variables with the greatest predictive power for the construction of a scoring system, leading to the creation of a new scoring system: the COVID-19 Severity Index. The analysis of the area under the curve for the COVID-19 Severity Index was 0.94 to predict the need for ICU admission in the following 24 hours against 0.80 for NEWS-2. Additionally, the digital medical record of the Hospital Italiano de Buenos Aires was electronically set for an automatic calculation and constant update of the COVID-19 Severity Index. Specifically designed for the current COVID-19 pandemic, COVID-19 Severity Index could be used as a reliable tool for strategic planning, organization, and administration of resources by easily identifying hospitalized patients with a greater need of intensive care.

Resumen La pandemia por COVID-19 planteó un desafío para el sistema salud, debido a la gran demanda de pacientes hospitalizados. La identificación temprana de pacientes hospitalizados con riesgo de evo lución desfavorable es vital para asistir en forma oportuna y planificar la demanda de recursos. El propósito de este estudio fue identificar las variables predictivas de mala evolución en pacientes hospitalizados por COVID-19 y crear un modelo predictivo que pueda usarse como herramienta de triage. A través de una revisión narrativa, se obtuvieron 44 variables vinculadas a una evolución desfavorable de la enfermedad COVID-19, incluyendo variables clínicas, de laboratorio y radiográficas. Luego se utilizó un procesamiento por método Delphi modificado de 2 rondas para seleccionar una lista final de variables incluidas en el score llamado COVID-19 Severity Index. Luego se calculó el Área Bajo la Curva (AUC) del score para predecir el pase a terapia intensiva en las próximas 24 horas. El score presentó un AUC de 0,94 frente a 0,80 para NEWS-2. Finalmente se agregó el COVID-19 Severity Index a la historia clínica electrónica de un hospital universitario de alta complejidad. Se programó para que el mismo se actualice de manera automática, facilitando la planificación estratégica, organización y administración de recursos a través de la identificación temprana de pacientes hospitalizados con mayor riesgo de transferencia a la Unidad de Cuidados Intensivos.

Sarcoma de Ewing óseo: Enfoque multidisciplinario y resultados oncológicos en 88 pacientes / Ewing sarcoma of the bone. Multidisciplinary approach and oncological results in 88 patients

El sarcoma de Ewing óseo es un tumor poco frecuente, agresivo, que afecta principalmente a niños y adultos jóvenes. Existe ausencia de registros en nuestro país respecto de la prevalencia de esta enfermedad, los esquemas de tratamiento utilizados y sus resultados. El objetivo fue analizar, en un grupo de pacientes con sarcoma de Ewing óseo tratados con quimioterapia y cirugía de conservación de miembro, las tasas de supervivencia global, de recurrencia local y los factores de riesgo oncológicos. Se incluyó a 88 pacientes. La edad media de la serie fue de 14.5 años y el seguimiento promedio de 8.8 años. La tasa de supervivencia global fue de 79.5% a los 2 años, de 69% a 5 años y de 64% a 10 años. Los factores pronósticos negativos asociados a menor supervivencia fueron: mala respuesta a la quimioterapia, edad ≥ de 16 años, localización central, y recurrencia local. En el análisis multivariable únicamente la respuesta a la quimioterapia tuvo significancia estadística. La tasa libre de recurrencia local a 2 y 5 años fue del 87%. La mala respuesta a la quimioterapia fue el único factor significativo para la recurrencia local. Consideramos que la cirugía de conservación de miembro asociada a quimioterapia pre y postoperatoria debe ser el tratamiento para el sarcoma de Ewing óseo, alcanzando de esta manera una supervivencia global a 5 años del 69%. En nuestra serie, la respuesta a la quimioterapia ha sido el factor pronóstico más relevante para supervivencia y recurrencia local.

Ewing sarcoma of the bone is a rare, highly aggressive tumor that typically affects children and young adults. In Argentina, the lack of Ewing's sarcoma registries reflects in the absence of information regarding prevalence, treatment protocols and patient´s outcome. The purpose of this study was to analyze, in a group of patients diagnosed with Ewing sarcoma of the bone, treated with chemotherapy and limb-conserving surgery, their overall survival rate, local recurrence rate, and oncological risk factors. A retrospective research was conducted between 1990 and 2017. Eighty-eight patients with Ewing sarcoma of the bone matched the inclusion criteria. Median age was 14.5 years and median follow-up was 8.8 years. Overall survival rate was 79.5%, 69% and 64% at 2, 5 and 10 years respectively. Negative prognostic factors, associated with less survival rate after univariate analysis, were: bad response to chemotherapy (tumoral necrosis 0-89%), age > 16 years-old, central tumor localization and local recurrence. Gender and tumor size were not significant prognostic factors. After multivariate analysis, response to chemotherapy remained statistical significant. Local recurrence-free survival rate at 2 and 5 years was 87%. Tumor response to chemotherapy (0-89%) was the only significant factor for local recurrence. We consider that limb-salvage surgery, with neoadjuvant and adjuvant chemotherapy, are the mainstays of treatment for Ewing's sarcoma, with an overall survival rate, at 5 years, of 69%. In this population, response to chemotherapy is the most relevant prognostic factor, being associated with both local recurrence and overall survival.