Saved in:
| Main Author: | |
|---|---|
| Format: | Artículo científico |
| Language: | es |
| Published: |
Colegio Mexicano de Inmunología Clínica y Alergia, A.C.
2015
|
| Subjects: | |
| Online Access: | https://www.redalyc.org/articulo.oa?id=486755029004 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Table of Contents:
- Análisis discriminante para predecir el diagnóstico clínico de inmunodeficiencias primarias: reporte preliminar Chiharu Murata Ana Belén Ramírez Guadalupe Ramírez Alonso Cruz José Luis Morales Saul Oswaldo Lugo-Reyes Medicina inmunodefi ciencias primarias diagnóstico clínico experto vs máquina Análisis discriminante Antecedentes : las características clínicas de un paciente con sospecha de inmunodeficiencia primaria orientan el diagnóstico diferencial por medio del reconocimiento de patrones. Las inmunodeficiencias prima - rias son un grupo heterogéneo de más de 250 enfermedades congénitas con mayor susceptibilidad a padecer infecciones, autoinflamación, autoinmunidad, alergia y cáncer. El análisis discriminante lineal es un método multivariante de clasificación supervisada para agrupar a los sujetos a partir de encontrar combinaciones lineales de un número de variables. Objetivo : identificar las características que mejor explican la perte - nencia de pacientes pediátricos con inmunodeficiencias primarias a un grupo de defectos o a una enfermedad. Material y método : estudio analítico transversal en el que a partir de una base de datos preexistente, con registros clínicos y de laboratorio de 168 pacientes con inmunodeficiencia primaria, seguidos en el Instituto Nacional de Pediatría de 1991 a 2012, construimos modelos discriminantes lineales para explicar la pertenencia de cada paciente a los diferentes grupos de defectos y a las inmunodeficiencias primarias más prevalentes en nuestro registro. Luego de una corrida preliminar se incluyeron únicamente las 30 variables (4 demográficas, 10 clínicas, 10 de laboratorio y 6 gérmenes) de mayor peso, a partir de las que se cons - truyeron los modelos de entrenamiento con el algoritmo paso-a-paso ( stepwise ) hacia atrás, utilizando selección automatizada de variables e incorporación manual “teórica” por un experto humano. Se evaluó la utilidad clínica de los modelos resultantes (sensibilidad, especificidad, exactitud y coeficiente kappa), con intervalos de confianza de 95%. Resultados : los modelos incluyeron 6 a 14 variables para explicar la pertenencia de 168 pacientes con inmunodeficiencias primarias a los cinco grupos más numerosos (combinados, anticuerpos, bien definidos, desregulación y fagocitosis) y las cuatro enfermedades más prevalentes (agammaglobulinemia ligada al cromosoma X, enfermedad granuloma - tosa crónica, inmunodeficiencia común variable y ataxia-telangiectasia). Prácticamente en todos los casos el desempeño de la máquina fue superior al del experto humano en lo que respecta a la selección de los atributos más pertinentes para incorporar en los modelos. La predicción del diagnóstico con base en las ecuaciones construidas tuvo exactitud global de 83 a 94%, con sensibilidad de 60 a 100%, especificidad de 83 a 95% y coeficiente kappa de 0.37 a 0.76. Conclusiones : la selección de variables, en general, tiene plausibilidad clínica y tiene la ventaja práctica de utilizar solamente atributos clínicos, gérmenes encontrados y estudios de laboratorio de rutina (biometría hemática e inmunoglobulinas séricas). El desempeño del modelo como herramienta de predicción fue aceptable. Las principales limitaciones del estudio incluyen un tamaño de muestra limitado, lo qu 2015 artículo científico 0002-5151 https://www.redalyc.org/articulo.oa?id=486755029004 es http://www.redalyc.org/revista.oa?id=4867 Revista Alergia México application/pdf Colegio Mexicano de Inmunología Clínica y Alergia, A.C. Revista Alergia México (México) Num.2 Vol.62