Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Ciencias de la Salud# Enfermedades Infecciosas (excepto VIH/SIDA)

Mejorando el diagnóstico de TB entre pacientes con VIH en Kenia

El estudio destaca métodos avanzados para predecir la TB en personas con VIH positivo.

― 7 minilectura


Diagnóstico de TB en VIH:Diagnóstico de TB en VIH:Un Estudiode TB en pacientes con VIH.Métodos avanzados mejoran la predicción
Tabla de contenidos

La tuberculosis (TB) es un problema de salud serio que afecta a mucha gente, sobre todo a quienes viven con VIH. En 2021, alrededor de 187,000 personas murieron de TB relacionada con el VIH. La mayoría de los pacientes con TB (76%) fueron testeados para VIH y recibieron sus resultados. Esto fue un aumento del 73% en 2020. Para reducir las muertes por TB en un 90% y los casos de TB en un 80% para 2030, es vital diagnosticar la TB de manera precisa y temprana. Esto incluye tanto la TB sensible a medicamentos como la resistente.

África tiene un alto número de casos de TB y VIH. En 2021, alrededor de 10.6 millones de personas tenían TB a nivel global, con el 23% de ellos en África, y el 6.7% también vivía con VIH. Kenia es uno de los países con una alta carga de TB, ocupando el quinto lugar en África. Según una encuesta en Kenia, la prevalencia de VIH fue del 7.1%, siendo la provincia de Nyanza la más alta con el 15.1%. La prevalencia nacional de VIH se reportó en 4.9%, más baja que en 2012. El condado de Kisumu tiene una alta carga de VIH, ocupando el tercer lugar en Kenia después de los condados de Siaya y Homabay. Dadas las altas tasas de VIH, la Organización Mundial de la Salud recomienda que todos los pacientes con VIH sean examinados por síntomas de TB y viceversa.

Importancia del Diagnóstico de TB

El objetivo principal del control de la TB es identificar y tratar a quienes son infecciosos. Esto incluye usar pruebas como el frotis de esputo, cultivos o observar síntomas clínicos en quienes están en riesgo. Una forma eficaz de encontrar casos de TB es a través de la búsqueda intensiva de casos, especialmente en áreas con alta carga. Esto implica detectar TB en pacientes que muestran síntomas y visitan centros de salud para atención de VIH. Tratar la TB en personas que viven con VIH puede ser complicado debido a varios desafíos, incluyendo los efectos secundarios de los medicamentos y las interacciones entre diferentes fármacos.

Varios factores contribuyen al riesgo de TB en personas que viven con VIH, incluyendo la edad, el recuento de células CD4, la etapa de la enfermedad y el historial previo de TB. Si bien se han utilizado métodos tradicionales como la Regresión Logística para analizar estos factores, métodos más recientes como el aprendizaje automático podrían proporcionar mejores perspectivas. Predecir la TB con precisión en personas que viven con VIH es esencial para un tratamiento correcto y control.

Resumen del Estudio

Este estudio observacional se centró en personas que viven con VIH que buscaban atención en tres centros de salud en Kisumu, Kenia, desde enero de 2014 hasta agosto de 2017. El condado de Kisumu, ubicado en el oeste de Kenia, tiene una población de más de 1.2 millones y es conocido por su patrimonio cultural y actividades económicas como la pesca y la agricultura. El condado sufre de altas tasas de VIH y TB. Los informes mostraron una prevalencia de VIH del 13.9% en Kisumu, significativamente por encima del promedio nacional, con una alta tasa de prevalencia de TB también.

Los centros de salud seleccionados se determinaron a través de discusiones entre organizaciones de salud y el Ministerio de Salud. Se excluyó del estudio a los participantes en tratamiento de TB o sin estado de VIH confirmado. El resultado principal fue diagnosticar TB, definido como dar positivo en pruebas de laboratorio o hallazgos clínicos. Los indicadores clínicos para el estudio incluyeron síntomas como tos, fiebre, sudores nocturnos y pérdida de peso.

Proceso de Recolección de Datos

Se informó a los posibles participantes sobre el estudio durante sus visitas y se les invitó a unirse. Se recogió información demográfica y se realizaron evaluaciones clínicas varias veces a lo largo del estudio. Los síntomas de TB se examinaron utilizando una herramienta estándar que analiza síntomas comunes en cada visita. En la primera cita, cada paciente proporcionó una muestra de esputo para pruebas. Si la prueba inicial era negativa, se les pedía que proporcionaran otra muestra durante las visitas de seguimiento. Todas las muestras se enviaron a un laboratorio para un análisis más profundo.

El estándar para diagnosticar TB era utilizar cultivo de esputo. A cualquier persona diagnosticada con TB se le notificó que regresara para seguimiento y tratamiento. Aquellos cuyos resultados eran negativos recibieron Terapia Preventiva como parte de su atención general de VIH.

Análisis de Datos

Antes de desarrollar modelos, los datos se examinaron descriptivamente para establecer frecuencias y otras características. Se incluyeron variables importantes en la modelación de regresión logística para evaluar relaciones. El estudio entrenó modelos utilizando regresión logística y otros métodos para encontrar la mejor manera de predecir TB entre personas que viven con VIH.

Se utilizó la validación cruzada para mejorar el entrenamiento del modelo y prevenir el sobreajuste. Se analizaron diferentes medidas de rendimiento, incluida la precisión, para determinar qué método predecía mejor la TB.

Regresión Logística y Modelos Alternativos

La regresión logística se utiliza comúnmente para predecir resultados binarios, como si alguien tiene TB. Sin embargo, este método tiene limitaciones. Alternativas como la regresión de ridge y la regresión lasso son más efectivas en ciertos casos y abordan problemas relacionados con datos de alta dimensión.

  • Regresión Ridge: Este enfoque añade una penalización para reducir coeficientes, ayudando a manejar estimaciones irrelevantes.

  • Regresión Lasso: Este método no solo reduce coeficientes, sino que también puede eliminar variables irrelevantes del modelo por completo.

  • Regresión Elastic Net: Esto combina penalizaciones de ridge y lasso, proporcionando beneficios de ambos métodos.

Estas técnicas mejoran la precisión y manejan relaciones complejas en los datos.

Consideraciones Éticas

El estudio fue aprobado por comités de investigación y ética relevantes. Los participantes dieron su consentimiento informado antes de participar, y se tomaron medidas especiales para proteger a los menores de 18 años obteniendo el consentimiento de sus tutores.

Resultados del Estudio

De 927 participantes examinados, 849 dieron su consentimiento para participar. La edad promedio fue de 32 años, con una mayoría siendo mujeres. Del total de participantes, el 50.8% estaba en terapia antirretroviral y el 86% recibía terapia preventiva para otras infecciones.

Se diagnosticó TB en 107 de los participantes. Síntomas como tos en la línea base y etapas avanzadas de VIH estaban fuertemente relacionados con el diagnóstico de TB. Las personas en etapas avanzadas de la enfermedad según la OMS tenían un riesgo significativamente mayor de desarrollar TB. La tos en semanas recientes también aumentó el riesgo, apoyando hallazgos de estudios previos.

Comparación de Modelos Predictivos

Todos los métodos superaron a la regresión logística estándar en términos de precisión de predicción. Los mejores resultados provinieron de la regresión elastic net, alcanzando una mayor precisión que la regresión logística sola. Los hallazgos sugieren que usar técnicas de modelado avanzadas podría llevar a mejores predicciones sobre TB en pacientes con VIH.

Conclusión

El estudio destaca que usar métodos avanzados como la regresión elastic net puede ser más efectivo para predecir TB entre quienes viven con VIH. Esto es crucial para desarrollar herramientas de cribado precisas y mejorar los enfoques de tratamiento. Las personas con etapas más avanzadas de VIH y síntomas de tos están en mayor riesgo, enfatizando la necesidad de intervención temprana y estrategias de atención médica dirigidas. Los hallazgos tienen implicaciones significativas para futuras investigaciones y prácticas de atención médica en la lucha contra la TB y el VIH.

Fuente original

Título: Comparison of logistic regression with regularized machine learning methods for the prediction of tuberculosis disease in people living with HIV: cross-sectional hospital-based study in Kisumu County, Kenya.

Resumen: BackgroundTuberculosis (TB) is a major public health concern, particularly among people living with the Human immunodeficiency Virus (PLWH). Accurate prediction of TB disease in this population is crucial for early diagnosis and effective treatment. Logistic regression and regularized machine learning methods have been used to predict TB, but their comparative performance in HIV patients remains unclear. The study aims to compare the predictive performance of logistic regression with that of regularized machine learning methods for TB disease in HIV patients. MethodsRetrospective analysis of data from HIV patients diagnosed with TB in three hospitals in Kisumu County (JOOTRH, Kisumu sub-county hospital, Lumumba health center) between [dates]. Logistic regression, Lasso, Ridge, Elastic net regression were used to develop predictive models for TB disease. Model performance was evaluated using accuracy, and area under the receiver operating characteristic curve (AUC-ROC). ResultsOf the 927 PLWH included in the study, 107 (12.6%) were diagnosed with TB. Being in WHO disease stage III/IV (aOR: 7.13; 95%CI: 3.86-13.33) and having a cough in the last 4 weeks (aOR: 2.34;95%CI: 1.43-3.89) were significant associated with the TB. Logistic regression achieved accuracy of 0.868, and AUC-ROC of 0.744. Elastic net regression also showed good predictive performance with accuracy, and AUC-ROC values of 0.874 and 0.762, respectively. ConclusionsOur results suggest that logistic regression, Lasso, Ridge regression, and Elastic net can all be effective methods for predicting TB disease in HIV patients. These findings may have important implications for the development of accurate and reliable models for TB prediction in HIV patients.

Autores: James Orwa, P. Oduor, D. Okelloh, D. Gethi, J. Agaya, A. Okumu, S. Wandiga

Última actualización: 2023-08-23 00:00:00

Idioma: English

Fuente URL: https://www.medrxiv.org/content/10.1101/2023.08.17.23294212

Fuente PDF: https://www.medrxiv.org/content/10.1101/2023.08.17.23294212.full.pdf

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.

Más de autores

Artículos similares