RT info:eu-repo/semantics/bachelorThesis
T1 Aplicación de técnicas de inteligencia artificial para la predicción de resistencias bacterianas
A1 Mendiluce González, Diego
A2 Universidad de Valladolid. Facultad de Medicina
K1 Microorganismos - Resistencia a los medicamentos
K1 Inteligencia artificial
K1 Escherichia coli
K1 Pseudomonas aeruginosa
K1 Staphylococcus aureus
K1 Antibióticos
K1 Regresión logística
K1 XGBoost
K1 Detección precoz
K1 Bacterias
K1 2414.04 Bacteriología
AB La resistencia bacteriana a los antibióticos ocurre cuando las bacterias desarrollan mecanismos que les permiten sobrevivir y proliferar a pesar del uso de antimicrobianos que previamente eran eficaces. Este fenómeno representa un grave problema global de salud pública debido a sus implicaciones clínicas y epidemiológicas, agravado significativamente por el uso inapropiado e indiscriminado de antibióticos, que acelera la selección y propagación de bacterias resistentes.La detección precoz y precisa de esta resistencia es fundamental para optimizar el uso de los antibióticos y mejorar el pronóstico de los pacientes. En este contexto, este Trabajo de Fin de Grado (TFG) tiene como objetivo principal desarrollar y evaluar modelos predictivos basados en técnicas de inteligencia artificial (IA) para anticipar la resistencia bacteriana. Para ello, se han utilizado datos microbiológicos, farmacológicos y demográficos de pacientes adultos hospitalizados en el Hospital Clínico Universitario de Valladolid (HCUV) entre junio de 2022 y febrero de 2024.En primer lugar, se llevó a cabo un análisis clínico exhaustivo de los datos para identificar las bacterias más prevalentes en el hospital, analizar sus perfiles de resistencia y examinar los patrones de uso de antibióticos. Tras este análisis, se seleccionaron tres bacterias de interés: Escherichia coli, Pseudomonas aeruginosa y Staphylococcus aureus. Los datos de entrada a los modelos predictivos incluyeron edad, sexo y exposición antibiótica previa de cada familia de antibióticos. El análisis predictivo se realizó de manera independiente para cada bacteria, evaluando la influencia del historial antibiótico en tres ventanas temporales distintas (30, 14 y 7 días antes del cultivo). Además, el historial antibiótico se modeló de dos maneras diferentes (contabilizando el número total de días de tratamiento y mediante series temporales diarias de administración) para comparar los resultados obtenidos entre ambas representaciones.Los modelos utilizados incluyeron regresión logística, máquinas de vectores de soporte (support vector machines, SVM) y XGBoost (eXtreme Gradient Boosting), siendo este último el que ofreció el mejor rendimiento. Los resultados obtenidos mostraron diferencias significativas en la precisión predictiva entre las bacterias estudiadas, mientras que entre las distintas ventanas temporales no se observaron diferencias relevantes. La mejor predicción se obtuvo en P. aeruginosa, con valores de AUC entre 0.757-0.803, F1-score entre 0.725-0.769 y accuracy entre 0.676-0.747. En E. coli, los valores de AUC oscilaron entre 0.680–0.768, F1-score entre 0.660-0.710 y accuracy entre 0.640-0.705. Por su parte, S. aureus presentó valores de AUC entre 0.658-0.719, F1-score entre 0.630-0.685 y accuracy entre 0.620-0.690. En comparación, el enfoque basado en series temporales, probado únicamente con XGBoost en la ventana de 7 días, ofreció un rendimiento similar al obtenido con la misma ventana en el enfoque por duración de tratamiento, obteniendo un AUC de 0.817, 0.674 y 0.668 para cada bacteria, respectivamente.Adicionalmente, se realizó un análisis de importancia de características con XGBoost para identificar posibles factores de riesgo relacionados con el desarrollo de resistencias en cada bacteria. Este análisis indicó que el principal factor asociado fue la administración previa de quinolonas en E. coli y P. aeruginosa y de macrólidos en S. aureus.En conclusión, la implementación de IA para predecir resistencias bacterianas tiene el potencial de facilitar la toma rápida y precisa de decisiones clínicas, optimizando el uso de antibióticos y potencialmente reduciendo la incidencia de infecciones resistentes en entornos hospitalarios.Estudios futuros que incorporen variables clínicas adicionales, un mayor tamaño muestral con validación externa, así como técnicas avanzadas de IA y enfoques específicos según el tipo de resistencia, serán fundamentales para optimizar la predicción de resistencias bacterianas.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79050
UL https://uvadoc.uva.es/handle/10324/79050
LA spa
DS UVaDOC
RD 17-nov-2025