Uso de machine learningcomo apoyo al diagnóstico del complejo Mycobacterium tuberculosis: Una revisión sistemática

La implementación de modelos de machine learning (ML) como apoyo al diagnóstico médico permite facilitar el análisis y disminuir errores en el diagnóstico. En este artículo se realiza una revisión sistemática de la eficacia y precisión de los modelos de MLimplementados actualmente. Se implementó la metodología PRISMA para la revisión de artículos, por medio de la plataforma www.covidence.org. Se realizó la búsqueda de artículos que utilizaron modelos de ML aplicados al diagnóstico radiológico y al análisisde genoma completo de M. tuberculosis, y que hayan sido publicados en los últimos cinco años. La búsqueda se realizó en las plataformas de Medline/Pubmed, Embase y ScienceDirect. De un total de 135 artículos compatibles con los criterios de búsqueda, sólo18artículos cumplieron con los criterios y objetivos de la revisión. Los artículos se organizaron de acuerdo a su aplicación, 1) detección de farmacorresistencia en genoma completo y 2) diagnóstico radiológico. El método más utilizado fue support vector machine(SVM) con una exactitud variable de 73% hasta 93.89%, artificial neural networks(ANN) presentó la exactitud más alta de 100% pero solo para un gen específico. Con el creciente aumento del registro y disponibilidad de datos clínicos, se requiere implementar protocolos de análisis eficaces.Los modelos de ML son efectivos e incluso en algunos casos superiores a los métodos de asociación directa. Los modelos presentan mejor rendimiento al integrarse varios en el mismo protocolo.