Antecedentes

El uso de algoritmos de aprendizaje supervisado puede contribuir a construir modelos de clasificación y predicción eficientes en torno al fenotipo de esclerosis múltiple (EM).

Objetivo

Identificar y caracterizar los factores asociados a los fenotipos de esclerosis múltiple primaria progresiva y remitente-recurrente utilizando un modelo de aprendizaje automático, basado en árboles de decisión.

Método

Estudio analítico y transversal de una fuente secundaria, las variables fueron fenotipo, edad, sexo, glucocorticoides, consumo de cigarro, terapia modificadora. Se utilizó el árbol de decisiones mediante detector de interacciones automáticas de chi-cuadrado y regresión logística binaria.

Resultados

El árbol clasificó correctamente (87%) como características asociadas a EM primaria progresiva (EMPP) a pacientes con antecedentes tabáquicos entre 51 a 70 años. En EM remitente recurrente (EMRR), el grupo con mayor asociación fue el de mujeres entre 18 a 50 años. Al incluir medicamentos modificadores de la enfermedad (pronósticos correctos: 89.70%), los grupos asociados a EMPP fueron antecedentes de fumar, tratados con teriflunomida, rituximab, glatiramero y ocrelizumab de entre 51 a 70 años, hombres entre 18 a 50 años con ocrelizumab y rituximab. Para EMRR, fueron mujeres de 18 a 50 años con ocrelizumab, rituximab. Pacientes de 18 a 50 años con dimetilfumarato, teriflunomida, interferón, glatiramero, fingolimod, natalizumab, cladribina y alemtuzumab.

Conclusiones

El aprendizaje automático mediante arboles de decisión con datos de fácil acceso es eficiente en la clasificación rápida de factores personales y perfiles farmacológicos asociados a EMRR y EMPP. Asimismo, el antecedente tabáquico es un predictor de EMPP. El árbol de decisión podría ayudar a neurólogos y epidemiólogos proporcionando información adicional para tomar decisiones clínicas, terapéuticas y epidemiológicas.

        · resumen en Inglés     · texto en Español     · Español ( pdf )