"En neumonía pediátrica, el triaje temprano puede definir el pronóstico, especialmente en atención primaria con recursos limitados. Este estudio entrenó y probó un modelo de aprendizaje automático para predecir hospitalización (y/o muerte) a 7 días en niños de 2 a 59 meses con neumonía según OMS en Malawi. En la cohorte de prueba externa, el modelo logró un AUC ROC de 0.87, superando a los puntajes de riesgo tradicionales, los cuales disminuyeron su desempeño al aplicarse externamente. El desenlace puede reflejar también factores del sistema de salud, por lo que se requieren validaciones e investigación de impacto clínico antes de implementarlo."
por Patrick Staunton, Mohammad Adib Makrooni, Master Chisale, Billy Nyambolo, Joseph Wu, Damien McCarthy, Mark Ledwidge, Yasir Bin Nisar, Chris Watson, Balwani Mbakaya, Cathal Seoighe, Joe Gallagher Antecedentes A nivel mundial, la neumonía sigue siendo la principal causa individual de mortalidad en niños menores de 5 años. Este estudio buscó entrenar y probar un modelo de predicción de hospitalización dentro de los 7 días posteriores a la presentación inicial en niños malauíes de 2 a 59 meses con neumonía definida por la OMS en atención primaria, y comparar su desempeño con modelos de predicción de riesgo existentes. Métodos y hallazgos BIOTOPE es un estudio de cohorte de niños con neumonía en un entorno de atención primaria de salud en Malawi. La cohorte de entrenamiento incluyó nueve centros de atención primaria y la cohorte de prueba incluyó dos centros de atención primaria en el norte de Malawi. La cohorte de entrenamiento se reclutó entre diciembre de 2022 y abril de 2023, mientras que la cohorte de prueba se reclutó en 2016. Los participantes fueron niños consecutivos de 2–59 meses que consultaron por tos y/o dificultad respiratoria y fueron diagnosticados en atención primaria con neumonía definida por la OMS de cualquier severidad. La cohorte de entrenamiento se utilizó para entrenar y validar un modelo de aprendizaje automático con un desenlace primario preespecificado definido como hospitalización y/o muerte dentro de los 7 días. Posteriormente, este modelo se evaluó adicionalmente en la cohorte de prueba. La mediana de edad fue de 15 meses (rango intercuartílico 8–27) en la cohorte de entrenamiento y de 17 meses (rango intercuartílico 9–29) en la cohorte de prueba externa (52.1% y 54.4% varones, respectivamente). La hospitalización ocurrió en 14.3% (294) de la cohorte de entrenamiento y 12.1% (55) de la cohorte de prueba. Hubo una muerte únicamente en la cohorte de entrenamiento. Los signos de peligro de la OMS estuvieron presentes en 17.6% (360) y 15.9% (70) de los niños en las cohortes de entrenamiento y prueba, respectivamente. El modelo óptimo de aprendizaje automático logró un área bajo las curvas ROC (característica operativa del receptor) y de precisión-recall de 0.87 y 0.57, respectivamente, en la cohorte de prueba, superando a los modelos de predicción de riesgo existentes; además, este modelo produjo un error de calibración esperado de 0.16 (un modelo de regresión logística que utilizó el estado de severidad como variable de respuesta y los log-odds de las probabilidades calibradas del modelo de aprendizaje automático produjo una estimación del intercepto de −0.32 y una estimación de la pendiente de 1.13). Las limitaciones clave incluyen el uso de hospitalización y/o muerte como desenlace de severidad, lo cual puede reflejar factores del sistema de salud más que la verdadera severidad de la enfermedad; que no fue posible realizar comparaciones basadas en mortalidad debido a la baja mortalidad en estas cohortes de atención primaria; y que las herramientas comparadoras se desarrollaron para poblaciones hospitalarias y no para poblaciones de atención primaria. Conclusión Este puntaje de aprendizaje automático superó a los puntajes tradicionales de riesgo de neumonía en la predicción de hospitalización dentro de los 7 días en niños de Malawi que consultaron en atención primaria. Los puntajes tradicionales de riesgo de neumonía disminuyen su desempeño cuando se aplican externamente a nuevos conjuntos de datos, lo que sugiere que podrían no generalizarse bien más allá de sus entornos originales de derivación. Los hallazgos relacionados con mortalidad no son aplicables, ya que solo hubo una muerte en esta cohorte. En conjunto, estos resultados respaldan el potencial del aprendizaje automático para mejorar de manera significativa la identificación temprana de niños con riesgo de neumonía grave en entornos de atención primaria con recursos limitados. Se requiere mayor validación externa y estudios de impacto clínico para confirmar estos resultados.