Análisis discriminante para predecir el diagnóstico clínico de inmunodeficiencias primarias: reporte preliminar

Chiharu Murata, Ana Belén Ramírez, Alonso Cruz, José Luis Morales, Saúl Oswaldo Lugo-Reyes

Resumen


Antecedentes: las características clínicas de un paciente con sospecha de inmunodeficiencia primaria orientan el diagnóstico diferencial por medio del reconocimiento de patrones. Las inmunodeficiencias primarias son un grupo heterogéneo de más de 250 enfermedades congénitas con mayor susceptibilidad a padecer infecciones, autoinflamación, autoinmunidad, alergia y cáncer. El análisis discriminante lineal es un método multivariante de clasificación supervisada para agrupar a los sujetos a partir de encontrar combinaciones lineales de un número de variables.

Objetivo: identificar las características que mejor explican la pertenencia de pacientes pediátricos con inmunodeficiencias primarias a un grupo de defectos o a una enfermedad.

Material y método: estudio analítico transversal en el que a partir de una base de datos preexistente, con registros clínicos y de laboratorio de 168 pacientes con inmunodeficiencia primaria, seguidos en el Instituto Nacional de Pediatría de 1991 a 2012, construimos modelos discriminantes lineales para explicar la pertenencia de cada paciente a los diferentes grupos de defectos y a las inmunodeficiencias primarias más prevalentes en nuestro registro. Luego de una corrida preliminar se incluyeron únicamente las 30 variables (4 demográficas, 10 clínicas, 10 de laboratorio y 6 gérmenes) de mayor peso, a partir de las que se construyeron los modelos de entrenamiento con el algoritmo paso-a-paso (stepwise) hacia atrás, utilizando selección automatizada de variables e incorporación manual “teórica” por un experto humano. Se evaluó la utilidad clínica de los modelos resultantes (sensibilidad, especificidad, exactitud y coeficiente kappa), con intervalos de confianza de 95%.

Resultados: los modelos incluyeron 6 a 14 variables para explicar la pertenencia de 168 pacientes con inmunodeficiencias primarias a los cinco grupos más numerosos (combinados, anticuerpos, bien definidos, desregulación y fagocitosis) y las cuatro enfermedades más prevalentes (agammaglobulinemia ligada al cromosoma X, enfermedad granulomatosa crónica, inmunodeficiencia común variable y ataxia-telangiectasia). Prácticamente en todos los casos el desempeño de la máquina fue superior al del experto humano en lo que respecta a la selección de los atributos más pertinentes para incorporar en los modelos. La predicción del diagnóstico con base en las ecuaciones construidas tuvo exactitud global de 83 a 94%, con sensibilidad de 60 a 100%, especificidad de 83 a 95% y coeficiente kappa de 0.37 a 0.76.

Conclusiones: la selección de variables, en general, tiene plausibilidad clínica y tiene la ventaja práctica de utilizar solamente atributos clínicos, gérmenes encontrados y estudios de laboratorio de rutina (biometría hemática e inmunoglobulinas séricas). El desempeño del modelo como herramienta de predicción fue aceptable. Las principales limitaciones del estudio incluyen un tamaño de muestra limitado, lo que no permitió que realizáramos validación cruzada en la evaluación. Éste es solamente un primer paso en la construcción de un sistema de aprendizaje automático, con un abordaje más amplio que incluya una base de datos más grande y diferentes metodologías, para asistir el diagnóstico clínico de las inmunodeficiencias primarias.


Palabras clave


análisis discriminante; diagnóstico clínico; inmunodeficiencias primarias; aprendizaje automático; asistido por computadora; experto vs máquina

Texto completo:

PDF HTML PubMed (English)

Referencias


Al-Herz W, Bousfiha A, Casanova J-L, Chapel H, et al. Primary immunodeficiency diseases: an update on the classification from the international union of immunological societies expert committee for primary immunodeficiency. Front Immunol [Internet]. 2011 Jan;2:54. Available from: http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=3342372&tool=pmcentrez&rendertype=abstract

Sherbino J, Dore KL, Siu E, Norman GR. The effectiveness ofcognitive forcing strategies to decrease diagnostic error: an exploratory study. Teach Learn Med [Internet]. 2011/01/18 ed. 2011;23:78-84. Available from: http://www.ncbi.nlm.nih.gov/pubmed/21240788

Groves M, O’Rourke P, Alexander H. The clinical reasoning characteristics of diagnostic experts. Med Teach [Internet].2003/07/26 ed. 2003;25:308-313. Available from: http://www.ncbi.nlm.nih.gov/pubmed/12881056

Sajda P. Machine learning for detection and diagnosis of disease. Annu Rev Biomed Eng [Internet]. 2006 [cited 2014 May 3]; Available from: http://www.annualreviews.org/doi/abs/10.1146/annurev.bioeng.8.061505.095802

Cleophas TJ, Zwinderman AH. Machine Learning in Medicine [Internet]. Vasa. Springer; 2013 [cited 2014 Feb 14]. Available from: http://medcontent.metapress.com/index/A65RM03P4874243N.pdf

Pardo PJ, Georgopoulos AP, Kenny JT, Stuve TA, et al. Classification of adolescent psychotic disorders using linear discriminant analysis. Schizophr Res [Internet]. 2006 Oct [cited 2014 Nov 7];87:297-306. Available from: http://www.ncbi.nlm.nih.gov/pubmed/16797923

Kamel MI, Alhaddad MJ, Malibary HM, Thabit K, et al. EEG based autism diagnosis using regularized Fisher Linear Discriminant Analysis. IJ Image, Graph Signal Process.2012;3:35-41.

Ye J, Li T, Xiong T, Janardan R. Using uncorrelated discriminant analysis for tissue classification with gene expression data. IEEE/ACM Trans Comput Biol Bioinform 2004;1:181-190.

Krawczyk B, Simić D, Simić S, Woźniak M. Automatic diagnosis of primary headaches by machine learning methods.

Cent Eur J Med [Internet]. 2012 Nov 16 [cited 2014 Jan 29];8:157-165. Available from: http://www.springerlink.com/index/10.2478/s11536-012-0098-5

Chen H, Yang B, Wang G. Support vector machine based diagnostic system for breast cancer using swarm intelligence. 2012;(February 2011):2505–19.

Cherkassky M. Application of machine learning methods to medical diagnosis. Chance [Internet]. 2009 Feb 15;22:42-50. Available from: http://link.springer.com/10.1007/ s144-009-0007-0




DOI: http://dx.doi.org/10.29262/ram.v62i2.66

Enlaces refback

  • No hay ningún enlace refback.