59 - LA INTELIGENCIA ARTIFICIAL: HERRAMIENTA PARA PREDICCIÓN DE INMUNODEFICIENCIA EN PACIENTES CON LUPUS ERITEMATOSO SISTÉMICO
1Hospital Clínico Universitario de Valladolid, Valladolid, España. 2Universidad de Valladolid, Valladolid, España. 3Hospital Universitario Rio Hortega, Valladolid, España. 4Instituto de Tecnología, Universidad de Castilla la Mancha, Cuenca, España.
Objetivos: Implementar una herramienta diagnóstica para detectar y predecir inmunodeficiencia en pacientes con LES no activo aplicando técnicas de inteligencia artificial.
Métodos: Estudio retrospectivo observacional de los pacientes adultos diagnosticados de LES en la Unidad de Enfermedades Autoinmunes Sistémicas del Hospital Clínico Universitario de Valladolid (HCUV) entre 2017 y 2019. De 125 pacientes se excluyeron 31 con SLEDAI ≥ 4 y/o proteinuria residual > 500 mg. Se consideraron como posible rasgo de inmunodeficiencia los niveles de laboratorio por debajo de los rangos de referencia del laboratorio de Inmunología del hospital en cuanto a subpoblaciones linfocitarias, isotipos de inmunoglobulinas y complemento. El estudio fue aprobado por la Comisión de Investigación y el Comité de Ética de Investigación Clínica del HCUV. Se siguieron las directrices nacionales e internacionales, el código deontológico médico, la declaración de Helsinki. Los datos han sido tratados de forma confidencial y anónima, en cumplimiento de la Ley Orgánica 15/1999 de 13 de diciembre, de Protección de Datos de Carácter Personal. Se realizó un análisis mediante técnicas de aprendizaje automático.
Resultados: Se eligieron los cuatro algoritmos de clasificación supervisada que ofrecieron el mejor rendimiento: Support Vector Machine (SVM), Gaussian Naïve Bayes (GNB), k-Nearest Neighbor (KNN) y fundamentalmente eXtreme Gradient Boosting (XGB). Todos ellos obtienen valores de precisión, sensibilidad, especificidad, balanced accuracy, F1score y DYI superiores al 80%, llegando al 90% con XGB. Datos similares se obtuvieron en AUC (0,81-0,90). Destaca también el MCC, entre 72 y 80%. Variables clínicas como la pérdida de peso o presentar úlceras mucosas, inmunológica como la presencia de anticuerpos anti-SM o farmacológica como la dosis concurrente de hidroxicloroquina y no de algún inmunosupresor o corticoides, fueron las variables de mayor peso a la hora de predecir el estado de inmunodeficiencia. Como puede verse en la figura, otras variables relevantes aunque de menor peso fueron la exposición previa a rituximab o corticoides, comorbilidades no autoinmunes (cardiopatía isquémica, patología pulmonar, ansiedad o depresión y las arritmias), tratamientos concomitantes como los suplementos de calcio y otros ligados a comorbilidades y alguna variable clínica entre la amplia batería que se recogía en la anamnesis, además de otros anticuerpos como los anticardiolipina o anti-La. La edad de los pacientes, los años de evolución de la enfermedad, el tratamiento inmunosupresor en el momento de la recogida o el resto de variables clínicas no reflejadas en la figura, carecieron de relevancia a la hora de realizar la predicción con los diferentes métodos de aprendizaje automático.
Conclusiones: El aprendizaje automático es una herramienta fiable y precisa que facilita el análisis y estudio de los pacientes con LES. Consigue resaltar variables que a primera vista podrían pasarnos desapercibidas y es capaz de detectar rasgos de inmunodeficiencia lo cual nos debe de ayudar a personalizar el seguimiento y tratamiento de nuestros pacientes.
Bibliografía
- Perazzio SF, Granados Á, Salomão R, et al. High frequency of immunodeficiency-like states in systemic lupus erythematosus: A cross-sectional study in 300 consecutive patients. Rheumatol (United Kingdom).
- Azevedo A. Data Mining and Knowledge Discovery in Databases. 2019;502-14.
