MACHINE LEARNING E INTELIGENCIA ARTIFICIAL PARA PREDECIR EL RIESGO DE LEGIONELLOSIS

La monitorización periódica mediante análisis de detección de Legionella en las redes de agua hospitalarias permite tomar medidas preventivas para evitar el riesgo de legionelosis a los pacientes y al personal sanitario.

 

El Machine Learning (ML) es una rama de la Inteligencia Artificial (IA) y la informática que se centra en el uso de datos y algoritmos para imitar el modo en que aprenden los humanos.

 

Consiste en dejar que los algoritmos descubran «patterns», es decir, patrones recurrentes, en conjuntos de datos. Esos datos pueden ser números, palabras, imágenes, estadísticas, etc.

 

Todo lo que se pueda almacenar digitalmente puede servir como dato para el Machine Learning. Al detectar patrones en esos datos, los algoritmos aprenden y mejoran su rendimiento en la ejecución de una tarea específica.

 

En resumen, los algoritmos de Machine Learning aprenden de forma autónoma a realizar una tarea o hacer predicciones a partir de datos y mejorar su rendimiento con el tiempo.

 

En un estudio de la Universidad de Bari (Italia), se ha investigado un método para predecir el riesgo de contaminación por Legionella en la red de agua de un centro hospitalario, comparando los modelos de Machine Learning, modelos convencionales de regresión y combinados.

 

Durante el periodo julio 2021-octubre 2022, se realizaron muestreos de agua para la detección de Legionella en las habitaciones de un pabellón hospitalario italiano (89,9% del total de habitaciones). Además, se recogieron 58 parámetros relativos a las características estructurales y ambientales de la red de agua.

 

Se analizaron 1.053 muestras de agua y de ellas 57 (5,4%) resultaron positivas para Legionella.

 

Los parámetros más importantes que influyeron en los resultados del modelo fueron el tipo de red de agua (caliente/fría), la sustitución de los filtros y la temperatura ambiente.

 

De los modelos de aprendizaje automático analizados (Machine Learning), la precisión fue del 93,4%, la sensibilidad del 43,8% y la especificidad del 96%. El modelo habitual de regresión tuvo una precisión del 82,9%, una sensibilidad del 20,3% y una especificidad del 97,3%.

 

La combinación de los modelos alcanzó una precisión del 82,3%, una sensibilidad del 22,4% y una especificidad del 98,4%.

 

Como conclusión del estudio, los autores plantean que, de los diferentes modelos probados, Machine Learning obtuvo los mejores resultados en términos de precisión y sensibilidad.