MADRID, 08 (EUROPA PRESS)

   Investigadores del Mass General Brigham (Estados Unidos) han desarrollado una herramienta basada en inteligencia artificial para examinar los registros médicos electrónicos y ayudar a los médicos a identificar casos de COVID prolongado, una afección a menudo misteriosa que puede incluir una letanía de síntomas duraderos , como fatiga, tos crónica y confusión mental después de la infección por SARS-CoV-2.

   Los resultados, que se publican en la revista 'Med', podrían identificar a más personas que deberían recibir atención para esta afección potencialmente debilitante. La cantidad de casos que identificaron también sugiere que la prevalencia de COVID prolongado podría estar muy poco reconocida.

   "Nuestra herramienta de inteligencia artificial podría convertir un proceso de diagnóstico confuso en algo preciso y enfocado, brindando a los médicos el poder de comprender una enfermedad compleja", comenta el autor principal Hossein Estiri, jefe de Investigación de IA en el Centro de IA e Informática Biomédica del Sistema de Atención Sanitaria de Aprendizaje (CAIBILS) en Mass General Brigham y profesor asociado de Medicina en la Facultad de Medicina de Harvard (Estados Unidos). "Con este trabajo, es posible que finalmente podamos ver la COVID permanente como lo que realmente es y, lo que es más importante, cómo tratarla".

   La COVID prevalente, también conocida como secuelas posagudas de la infección por SARS-CoV-2 (PASC), incluye una amplia gama de síntomas. Para los fines de su estudio, Estiri y sus colegas la definieron como un diagnóstico de exclusión que también está asociado a la infección. Esto significa que el diagnóstico no podía explicarse en el historial médico único del paciente y también tenía que asociarse con una infección por COVID. Además, el diagnóstico debía haber persistido durante 2 meses o más en un período de seguimiento de 12 meses.

   El algoritmo utilizado en la herramienta de IA se desarrolló extrayendo datos anónimos de los registros clínicos de casi 300.000 pacientes en 14 hospitales y 20 centros de salud comunitarios del sistema Mass General Brigham. En lugar de tener que depender de un único código de diagnóstico, la IA utiliza un método novedoso desarrollado por Estiri y sus colegas llamado "fenotipado de precisión" que examina los registros individuales para identificar síntomas y afecciones vinculadas a la COVID-19 y para rastrear los síntomas a lo largo del tiempo para diferenciarlos de otras enfermedades.

   Por ejemplo, el algoritmo puede detectar si la falta de aire puede ser el resultado de afecciones preexistentes como insuficiencia cardíaca o asma en lugar de una COVID prolongada. Solo cuando se agotaran todas las demás posibilidades, la herramienta marcaría al paciente como si tuviera COVID prolongada.

   "Los médicos a menudo se enfrentan a la necesidad de navegar a través de una maraña de síntomas e historias clínicas, sin saber qué hilos seguir, mientras equilibran una carga de trabajo apretada. Tener una herramienta impulsada por IA que pueda hacerlo metódicamente por ellos podría ser un punto de inflexión", apunta Alaleh Azhir, coautora principal y residente de medicina interna en el Brigham Women's Hospital, miembro fundador del sistema de atención médica Mass General Brigham.

   Según los investigadores, los diagnósticos centrados en el paciente que ofrece este nuevo método también pueden ayudar a aliviar los sesgos incorporados en los diagnósticos actuales de COVID prolongada, y señalan que los pacientes diagnosticados con el código de diagnóstico oficial de la CIE-10 para COVID prolongada tienden a ser aquellos con un acceso más fácil a la atención médica.

   Mientras que otros estudios de diagnóstico han sugerido que aproximadamente el 7% de la población sufre de COVID prolongada, este nuevo enfoque revela una estimación mucho más alta: 22,8%. Los autores afirmaron que esta cifra se alinea más estrechamente con las tendencias nacionales y pinta un panorama más realista del costo a largo plazo de la pandemia.

   Los investigadores determinaron que su herramienta era aproximadamente un 3 por ciento más precisa que lo que capturan los códigos ICD-10, y al mismo tiempo estaba menos sesgada. En concreto, su estudio demostró que las personas que identificaron como portadoras de COVID prolongada reflejan la composición demográfica más amplia de Massachusetts, a diferencia de los algoritmos de COVID prolongada que se basan en un único código de diagnóstico o en encuentros clínicos individuales, lo que sesga los resultados hacia determinadas poblaciones, como las que tienen más acceso a la atención. "Este alcance más amplio garantiza que las comunidades marginadas, a menudo marginadas en los estudios clínicos, ya no sean invisibles", agrega Estiri.

   Las limitaciones del estudio y de la herramienta de IA incluyen que los datos de los registros médicos utilizados en el algoritmo para dar cuenta de los síntomas prolongados de COVID-19 pueden ser menos completos que los que capturan los médicos en las notas clínicas posteriores a la visita. Otra limitación fue que el algoritmo no captó el posible empeoramiento de una afección previa, que puede haber sido un síntoma prolongado de COVID-19. Por ejemplo, si un paciente tenía EPOC y episodios previos de la misma empeoraron antes de desarrollar COVID-19, el algoritmo podría haberlos eliminado incluso si sus síntomas persistentes fueran un indicador de COVID-19 prolongado. La disminución en la cantidad de pruebas de COVID-19 en los últimos años también dificulta la identificación del momento en que un paciente puede haber contraído COVID-19 por primera vez. El estudio también se limitó a pacientes de Massachusetts.

   En futuros estudios se podría explorar el algoritmo en cohortes de pacientes con enfermedades específicas, como EPOC o diabetes. Los investigadores también planean publicar este algoritmo en acceso abierto para que los médicos y los sistemas de atención médica de todo el mundo puedan usarlo en sus poblaciones de pacientes.

   Además de abrir la puerta a una mejor atención clínica, este trabajo puede sentar las bases para futuras investigaciones sobre los factores genéticos y bioquímicos que subyacen a los distintos subtipos de COVID persistente. "Las preguntas sobre la verdadera carga de COVID persistente, preguntas que hasta ahora han permanecido esquivas, ahora parecen más accesibles", finaliza Estiri.