Aplicación de técnicas de inteligencia artificial para la detección de tuberculosis pulmonar en Colombia

Abstract

La tuberculosis es una enfermedad respiratoria que afecta los pulmones y que es causada por el bacilo Mycobacterium tuberculosis (MTB) el cual se expande cuando una persona enferma con tuberculosis expulsa la bacteria al aire al toser. Antes de la pandemia del COVID-19, la tuberculosis era considerada la principal causa de muerte por agentes infecciones en el mundo incluso por encima del VIH/SIDA. El cultivo de MTB en medio sólido es el principal método de referencia diagnóstica. Además, es el método estándar para identificar el perfil de resistencia bacteriana. Sin embargo, se requiere de mucho tiempo para la obtención del resultado; tiempo durante el cual un paciente puede ser altamente contagioso. Por otro lado, la demora en instaurar un tratamiento para la tuberculosis puede conducir a mayor gravedad de la enfermedad, pero de tomarse una medida de sobretratamiento independiente de la confirmación diagnóstica, se generaría resistencia bacteriana, mayor tasa de eventos adversos y mayores costos. Por lo tanto, es necesaria una estrategia que permita hacer un diagnóstico rápido de la tuberculosis. Para abordar este reto, en este artículo se proponen modelos para la detección de tuberculosis pulmonar utilizando diferentes técnicas de inteligencia artificial. Estos modelos se pueden usar como apoyo a la toma de decisiones por parte de los médicos y tienen como objetivo identificar si un paciente padece de tuberculosis. En particular, se proponen modelos basados en cuatro técnicas de aprendizaje supervisado (redes neuronales, árboles de decisión, y dos métodos de ensamble) que permiten realizar un diagnóstico, positivo o negativo, de tuberculosis pulmonar a partir de unas variables de entrada y de diagnósticos anteriormente registrados de pacientes sanos y otros con tuberculosis pulmonar de la ciudad de Cali, Colombia. De acuerdo con los resultados obtenidos, el método de ensamble Extra Trees resulta ser el más exacto comparado con las otras técnicas utilizadas para la predicción de tuberculosis pulmonar alcanzando un área bajo la curva ROC de 95.63%.