Un artículo publicado en la edición de octubre de la revista European Journal of Internal Medicine presenta los resultados de un estudio realizado con el objetivo de identificar los principales predictores de exacerbaciones de asma grave que requieren ingreso hospitalario, mediante un enfoque de aprendizaje automático, llevándose a cabo el entrenamiento del modelo con 260 pacientes (31.5% hombres, edad media de 47.6 años).
El aprendizaje automático no supervisado identificó dos grupos, con base en el recuento de eosinófilos: 86 pacientes con eosinófilos ≥ 370 células/µL presentaban una mayor duración de la enfermedad, más restricciones para el desarrollo de las actividades diarias y una menor tasa de tratamiento en comparación con 174 pacientes con eosinófilos <370 células/μL.
Además, informaron de valores más bajos de FEV1 predicho (64.8 ± 12.3% frente a 83.9 ± 17.3%) y FEV1/FVC (71.3 ± 9.3 frente a 78.5 ± 6,8), con una mayor cantidad de exacerbaciones al año, confirmando la importancia de los parámetros de espirometría y el recuento de eosinófilos, junto con el número de exacerbaciones previas y otras variables clínicas y demográficas.
Los hallazgos del estudio confirmaron el valor pronóstico clave de los eosinófilos en el asma, lo que sugiere la utilidad del aprendizaje automático para definir vías biológicas que pueden ayudar a planificar estrategias personalizadas de tratamiento farmacológico y de rehabilitación.
Referencia
A machine learning approach to characterize patients with asthma exacerbation attending an acute care setting. European Journal of Internal Medicine. 2022; 104: 66 - 72
Resumen disponible en
https://ezproxy.tqfarma.com:2075/science/article/pii/S0953620522002680