La inteligencia artificial como herramienta para la detección de patrones de inmunodeficiencia en el lupus eritematoso sistémico

Abstract

There is a link between autoimmune diseases such as SLE and primary immunodeficiency, with common genetic bases and shared clinical manifestations. Secondary immunodeficiency due to treatments is also a common problem. In addition, infections remain one of the main causes of early mortality in patients with SLE. Machine learning (ML), a branch of artificial intelligence, is capable of processing large amounts of data and identifying patterns, which is why it has been applied in different medical areas. This study proposes an ML system to help diagnose patients with SLE and immunodeficiency traits. The sample was taken from the group of patients diagnosed with SLE and being monitored by the Systemic Autoimmune Diseases Unit of the Internal Medicine Service of the University Clinical Hospital of Valladolid. After analyzing its characteristics, it was concluded that it was a solid sample for the study, in which the traits of immunodeficiency and its infectious complications were a reality. The main predictors of immunodeficiency were: weight loss, mucous ulcers, anti-MS antibodies and concurrent dose of hydroxychloroquine, with previous exposure to rituximab or corticosteroids being of lower weight. The EXtreme Gradient Boosting (XGB) method was selected and implemented for its high performance and accuracy, which outperformed the following model by almost 5%, k- Nearest Neighbor (KNN). It should be noted that the proposed system also showed the area under the curve highest (AUC 90%). The present study shows how ML is a useful instrument to recognize and predict immunodeficiency traits in patients with SLE, highlighting the XGB method, so that it could be incorporated into clinical practice as a tool to support diagnosis and ultimately improve morbidity and quality of life of patients

Existe un vínculo entre las enfermedades autoinmunes como el LES y la inmunodeficiencia primaria, con bases genéticas comunes y manifestaciones clínicas compartidas. Asimismo, la inmunodeficiencia secundaria por los tratamientos es un problema frecuente. Además, las infecciones se mantienen como una de las principales causas de mortalidad precoz en los pacientes con LES.

El aprendizaje automático o “machine learning” (ML), rama de la inteligencia artificial, es capaz de procesar gran cantidad de datos e identificar patrones, por lo que se ha aplicado en diferentes áreas médicas. Este estudio propone un sistema de ML para ayudar a diagnosticar a los pacientes con LES y rasgos de inmunodeficiencia.

Se tomó como muestra el grupo de pacientes diagnosticados de LES y en seguimiento por la Unidad de Enfermedades Autoinmunes Sistémicas del Servicio de Medicina Interna del Hospital Clínico Universitario de Valladolid. Tras analizar sus características se concluyó que era una muestra sólida para el estudio, en la que los rasgos de inmunodeficiencia y sus complicaciones infecciosas eran una realidad.

Se identificaron como principales características predictores de inmunodeficiencia: la pérdida de peso, las úlceras mucosas, los anticuerpos anti SM y la dosis concurrente de hidroxicloroquina, siendo de menor peso la exposición previa a rituximab o corticoides.

Se seleccionó e implementó el método EXtreme Gradient Boosting (XGB) por su alto rendimiento y precisión, que superó casi en un5% al siguiente modelo: k- Nearest Neighbor (KNN). Cabe señalar que el sistema propuesto mostró también el área bajo la curva más alto (AUC 90%).

El presente estudio muestra cómo el ML es un instrumento útil para reconocer y predecir rasgos de inmunodeficiencia en pacientes con LES, destacando el método XGB, por lo que se podría llegar a incorporar a la práctica clínica como herramienta de apoyo al diagnóstico y a la postre lograr mejorar la morbimotalidad y la calidad de vida de los pacientes.