Estudio De La Carga Viral En Muestras De Pacientes Infectados Con Sars-Cov-2 Asintomáticos Y Con Síntomas Severos De La Enfermedad

GERMÁN ALBORNOZ; MARCELA PILLOFF; MERCEDES DIDIER GARNHAM; MARIA JOSÉ DUS SANTOS

Congreso; XIII Congreso Argentino de Virología 2021; 2021

En 2019 se identificó un nuevo tipo de coronavirus en la ciudad de Wuhan, China. Este nuevo virus se denominó SARS-CoV-2 y es el agente etiológico causante de la enfermedad respiratoria aguda conocida como COVID-19. Esta enfermedad se presenta con una variedad de síntomas que permiten la clasificación clínica de los casos en severos, moderados, leves y asintomáticos.Uno de los campos de investigación que actualmente se destaca en la lucha contra el COVID-19 es la Inteligencia Artificial. Mediante el uso de modelos computacionales capaces de aprender a reconocer patrones en un conjunto de datos, se pueden analizar los síntomas de los pacientes para determinar qué conjunto de los mismos son representativos de casos positivos de COVID-19 y, por lo tanto, utilizarlos para predecir el diagnóstico.En este trabajo se seleccionaron de forma anónima casos sintomáticos provenientes de centros de salud de los municipios de Hurlingham e Ituzaingó, cuyo diagnóstico por RT-qPCR se realizó en la Unidad COVID de la UNAHUR. Se creó un dataset con el patrón sintomatológico y los resultados para la detección del genoma de SARS-CoV-2 de 1500 pacientes (n=750 pacientes con resultado detectable y n=750 con resultado no detectable) y se utilizó un algoritmo de clasificación de Random Forest para analizarlos.El análisis de Random Forest mostró una efectividad del 77% y una exactitud del 73% para discriminar entre casos confirmados y descartados para COVID19. La sensibilidad y la precisión para la detección de casos confirmados fue del 93% y 70%, mientras que para los casos descartados para COVID19 fue del 59% y 90% respectivamente. Según el modelo, el síntoma más relevante para discriminar fue la fiebre.La aplicación de modelos de Machine Learning, como Random Forest, podría convertirse en una herramienta que facilite la selección precisa de los casos positivos y la priorización de los pacientes a testear. PALABRAS CLAVES: COVID-19, Machine Learning, Pacientes sintomáticos