Prediction and simulation of PEEP setting effects with machine learning models / Predicción y simulación de los efectos de la configuración de la PEEP con modelos de aprendizaje automático

Objective To establish a new machine learning-based method to adjust positive end-expiratory pressure (PEEP) using only already routinely measured data. Design Retrospective observational study. Setting Intensive care unit (ICU). Patients or participants 51811 mechanically ventilated patients in multiple ICUs in the USA (data from MIMIC-III and eICU databases). Interventions No interventions. Main variables of interest Success parameters of ventilation (arterial partial pressures of oxygen and carbon dioxide and respiratory system compliance). Results The multi-tasking neural network model performed significantly best for all target tasks in the primary test set. The model predicts arterial partial pressures of oxygen and carbon dioxide and respiratory system compliance about 45 min into the future with mean absolute percentage errors of about 21.7%, 10.0% and 15.8%, respectively. The proposed use of the model was demonstrated in case scenarios, where we simulated possible effects of PEEP adjustments for individual cases. Conclusions Our study implies that machine learning approach to PEEP titration is a promising new method which comes with no extra cost once the infrastructure is in place. Availability of databases with most recent ICU patient data is crucial for the refinement of prediction performance. (AU)

Objetivo Establecer un nuevo método basado en el aprendizaje automático para ajustar la presión positiva al final de la espiración (PEEP según sus siglas en inglés) utilizando únicamente datos ya obtenidos de forma rutinaria. Diseño Estudio retrospectivo de observación. Ámbito Unidad de cuidados intesivos (UCI) Pacientes o participantes 51811 pacientes ventilados mecánicamente en múltiples UCIs de EE.UU. (tomados de las bases de datos MIMIC-III y eICU). Intervenciones Sin intervenciones. Variables de interés principales Parametros de éxito de la ventilación (presiones parciales arteriales de oxígeno y dióxido de carbono y distensibilidad del sistema respiratorio). Resultados El modelo de red neuronal multitarea obtuvo los mejores resultados en todos los objetivos del conjunto de pruebas primario. El modelo predice las presiones parciales arteriales de oxígeno y dióxido de carbono así como la distensibilidad del sistema respiratorio con aproximadamente 45 minutos de anticipación, mostrando errores porcentuales absolutos medios de aproximadamente 21.7%, 10.0% y 15.8%, respectivamente. El uso propuesto del modelo se demostró en situaciones hipotéticas en las que se simularon los posibles efectos de los ajustes de PEEP para casos individuales. Conclusiones Nuestro estudio implica que el enfoque de aprendizaje automático para el ajuste de la PEEP es un método nuevo y prometedor que no supone ningún coste adicional una vez que se dispone de la infraestructura necesaria. La disponibilidad de bases de datos con información de pacientes de UCI más recientes es crucial para perfeccionar el rendimiento de la predicción. (AU)

Exploring the potential for online data sources to enhance species threat mapping through the case study of global bat exploitation.

Expanding digital data sources, including social media and online news, provide a low-cost way to examine human-nature interactions, such as wildlife exploitation. However, the extent to which using such data sources can expand or bias understanding of the distribution and intensity of threats has not been comprehensively assessed. To address this gap, we quantified the geographical and temporal distribution of online sources documenting the hunting and trapping, consumption, or trade of bats (Chiroptera) and compared these with the distribution of studies obtained from a systematic literature search and species listed as threatened by exploitation on the International Union for Conservation of Nature Red List. Online records were collected using automated searches of Facebook, Twitter, Google, and Bing and were filtered using machine classification. This yielded 953 relevant social media posts and web pages, encompassing 1099 unique records of bat exploitation from 84 countries. Although the number of records per country was significantly predicted by the number of academic studies per country, online records provided additional locations and more recent records of bat exploitation, including 22 countries not present in academic literature. This demonstrates the value of online resources in providing more complete geographical representation. However, confounding variables can bias the analysis of spatiotemporal trends. Online bat exploitation records showed peaks in 2020 and 2014, after accounting for increases in internet users through time. The second of these peaks could be attributed to the COVID-19 outbreak, and speculation about the role of bats in its epidemiology, rather than to true changes in exploitation. Overall, our results showed that data from online sources provide additional knowledge on the global extent of wildlife exploitation, which could be used to identify early warnings of emerging threats and pinpoint locations for further research.

Sondeo del potencial de las fuentes virtuales de datos para mejorar el mapeo de amenazas para las especies por medio del estudio de caso de la explotación mundial de murciélagos Resumen La expansión de las fuentes virtuales, incluidas las redes sociales y las noticias en línea, proporciona una forma asequible de analizar las interacciones entre el humano y la naturaleza, como la explotación de fauna. Sin embargo, no se ha analizado por completo el rango al que dichas fuentes pueden expandir o sesgar el conocimiento de la distribución e intensidad de las amenazas. Para abordar este vacío cuantificamos la distribución geográfica y temporal de las fuentes virtuales que documentan la caza, captura, consumo o mercado de murciélagos (Chiroptera) y las comparamos con la distribución de los estudios obtenidos de una búsqueda sistemática en la literatura y con las especies catalogadas como amenazadas por la explotación según la Lista Roja de la Unión Internacional para la Conservación de la Naturaleza. Recolectamos los registros virtuales por medio de búsquedas automatizadas en Facebook, Twitter, Google y Bing y después las filtramos con clasificaciones automatizadas. Esto arrojó 953 publicaciones relevantes en redes sociales y sitios web que englobaban 1099 registros únicos de la explotación de murciélagos en 84 países. Aunque pronosticamos de forma significativa el número de registros por país con el número de estudios académicos por país, los registros virtuales proporcionaron localidades adicionales y registros más recientes de la explotación de murciélagos, incluyendo a 22 países que no se encuentran en la literatura académica. Lo anterior demuestra el valor que tienen los recursos en línea para proporcionar una representación geográfica más completa. Sin embargo, las variables confusas pueden sesgar el análisis de las tendencias espaciotemporales. Los registros virtuales de la explotación de murciélagos mostraron picos en 2020 y en 2014, esto después de considerar el incremento de usuarios de internet con el tiempo. El segundo pico podría atribuirse al brote de COVID-19 y la especulación en torno al papel que tenían los murciélagos en su epidemiología y no tanto a un verdadero cambio en la explotación. En general, nuestros resultados mostraron que los datos de las fuentes virtuales proporcionan conocimiento adicional sobre el alcance mundial de la explotación de fauna, el cual podría usarse para identificar señales tempranas de amenazas emergentes y ubicar localidades para su mayor investigación.

Applicability of an unsupervised cluster model developed on first wave COVID-19 patients in second/third wave critically ill patients.

OBJECTIVE: To validate the unsupervised cluster model (USCM) developed during the first pandemic wave in a cohort of critically ill patients from the second and third pandemic waves. DESIGN: Observational, retrospective, multicentre study. SETTING: Intensive Care Unit (ICU). PATIENTS: Adult patients admitted with COVID-19 and respiratory failure during the second and third pandemic waves. INTERVENTIONS: None. MAIN VARIABLES OF INTEREST: Collected data included demographic and clinical characteristics, comorbidities, laboratory tests and ICU outcomes. To validate our original USCM, we assigned a phenotype to each patient of the validation cohort. The performance of the classification was determined by Silhouette coefficient (SC) and general linear modelling. In a post-hoc analysis we developed and validated a USCM specific to the validation set. The model's performance was measured using accuracy test and area under curve (AUC) ROC. RESULTS: A total of 2330 patients (mean age 63 [53-82] years, 1643 (70.5%) male, median APACHE II score (12 [9-16]) and SOFA score (4 [3-6]) were included. The ICU mortality was 27.2%. The USCM classified patients into 3 clinical phenotypes: A (n = 1206 patients, 51.8%); B (n = 618 patients, 26.5%), and C (n = 506 patients, 21.7%). The characteristics of patients within each phenotype were significantly different from the original population. The SC was -0.007 and the inclusion of phenotype classification in a regression model did not improve the model performance (0.79 and 0.78 ROC for original and validation model). The post-hoc model performed better than the validation model (SC -0.08). CONCLUSION: Models developed using machine learning techniques during the first pandemic wave cannot be applied with adequate performance to patients admitted in subsequent waves without prior validation.

Chronic liver disease-associated severe thrombocytopenia in Spain: Results from a retrospective study using machine learning and natural language processing / Trombocitopenia grave asociada a enfermedad hepática crónica en España: Resultados de un estudio retrospectivo utilizando aprendizaje automático y procesamiento de lenguaje natural

Background Patients with chronic liver disease (CLD) often develop thrombocytopenia (TCP) as a complication. Severe TCP (platelet count<50×109/L) can increase morbidity and complicate CLD management, increasing bleeding risk during invasive procedures. Objectives To describe the real-world scenario of CLD-associated severe TCP patients’ clinical characteristics. To evaluate the association between invasive procedures, prophylactic treatments, and bleeding events in this group of patients. To describe their need of medical resource use in Spain. Methods This is a retrospective, multicenter study including patients who had confirmed diagnosis of CLD and severe TCP in four hospitals within the Spanish National Healthcare Network from January 2014 to December 2018. We analyzed the free-text information from Electronic Health Records (EHRs) of patients using Natural Language Processing (NLP), machine learning techniques, and SNOMED-CT terminology. Demographics, comorbidities, analytical parameters and characteristics of CLD were extracted at baseline and need for invasive procedures, prophylactic treatments, bleeding events and medical resources used in the follow up period. Frequency tables were generated for categorical variables, whereas continuous variables were described in summary tables as mean (SD) and median (Q1–Q3). Results Out of 1,765,675 patients, 1787 had CLD and severe TCP; 65.2% were male with a mean age of 54.7 years old. Cirrhosis was detected in 46% (n=820) of patients and 9.1% (n=163) had hepatocellular carcinoma. Invasive procedures were needed in 85.6% of patients during the follow up period. Patients undergoing procedures compared to those patients without invasive procedures presented higher rates of bleeding events (33% vs 8%, p<0.0001) and higher number of bleedings. While prophylactic platelet transfusions were given to 25.6% of patients undergoing procedures, TPO receptor agonist use was only detected in 3.1% of them... (AU)

Antecedentes Los pacientes con enfermedad hepática crónica (EHC) a menudo desarrollan trombocitopenia (TCP) como agravante de su enfermedad. La TCP grave (definida por un recuento de plaquetas < 50 x 109/L) puede aumentar la morbilidad y complicar el manejo de la EPC, incrementando el riesgo de hemorragia durante los procedimientos invasivos. Objetivos Describir el escenario de mundo real de las características clínicas de los pacientes con TCP grave asociado a EHC. Evaluar la asociación entre procedimientos invasivos, tratamientos profilácticos y eventos hemorrágicos en este grupo de pacientes, así como describir el uso de recursos médicos en España. Métodos Se plantea un estudio multicéntrico retrospectivo que incluye pacientes con diagnóstico confirmado de EHC y TCP grave en cuatro hospitales de la Red Nacional de Salud de España desde enero de 2014 hasta diciembre de 2018. Analizamos la información de texto libre de la Historia Clínica Electrónica (HCE) de pacientes que utilizan procesamiento de lenguaje natural (PLN), técnicas de aprendizaje automático y terminología de SNOMED-CT. Los datos demográficos, las comorbilidades, los parámetros analíticos y las características de la EHC se extrajeron al inicio del estudio, así como la necesidad de procedimientos invasivos, tratamientos profilácticos, eventos hemorrágicos y recursos médicos utilizados en el periodo de seguimiento. Se generaron tablas de frecuencia para las variables categóricas, mientras que las variables continuas se describieron en tablas resumen como media (SD) y mediana (Q1-Q3). Resultados De 1.765.675 pacientes identificados, 1.787 tenían EHC y TCP grave, siendo el 65,2% varones con una edad media de 54,7 años. Se detectó cirrosis en el 46% (n = 820) de los pacientes y el 9,1% (n = 163) de ellos presentaron un diagnóstico de carcinoma hepatocelular... (AU)

Machine learning methods for developing a predictive model of the incidence of delirium in cardiac intensive care units.

INTRODUCTION AND OBJECTIVES: Delirium, recognized as a crucial prognostic factor in the cardiac intensive care unit (CICU), has evolved in response to the changing demographics among critically ill cardiac patients. This study aimed to create a predictive model for delirium for patients in the CICU. METHODS: This study included consecutive patients admitted to the CICU of the Samsung Medical Center. To assess the candidate variables for the model: we applied the following machine learning methods: random forest, extreme gradient boosting, partial least squares, and Plmnet-elastic.net. After selecting relevant variables, we performed a logistic regression analysis to derive the model formula. Internal validation was conducted using 100-repeated hold-out validation. RESULTS: We analyzed 2774 patients, 677 (24.4%) of whom developed delirium in the CICU. Machine learning-based models showed good predictive performance. Clinically significant and frequently important predictors were selected to construct a delirium prediction scoring model for CICU patients. The model included albumin level, international normalized ratio, blood urea nitrogen, white blood cell count, C-reactive protein level, age, heart rate, and mechanical ventilation. The model had an area under the receiver operating characteristics curve (AUROC) of 0.861 (95%CI, 0.843-0.879). Similar results were obtained in internal validation with 100-repeated cross-validation (AUROC, 0.854; 95%CI, 0.826-0.883). CONCLUSIONS: Using variables frequently ranked as highly important in four machine learning methods, we created a novel delirium prediction model. This model could serve as a useful and simple tool for risk stratification for the occurrence of delirium at the patient's bedside in the CICU.

Predictors of mechanical ventilation and mortality in critically ill patients with COVID-19 pneumonia / Predictores de ventilación mecánica y mortalidad en pacientes críticos con neumonía por COVID-19

Objective To determine if potential predictors for invasive mechanical ventilation (IMV) are also determinants for mortality in COVID-19-associated acute respiratory distress syndrome (C-ARDS). Design Single center highly detailed longitudinal observational study. Setting Tertiary hospital ICU: two first COVID-19 pandemic waves, Madrid, Spain. Patients or participants : 280 patients with C-ARDS, not requiring IMV on admission. Interventions None. Main variables of interest : Target: endotracheal intubation and IMV, mortality. Predictors: demographics, hourly evolution of oxygenation, clinical data, and laboratory results. Results The time between symptom onset and ICU admission, the APACHE II score, the ROX index, and procalcitonin levels in blood were potential predictors related to both IMV and mortality. The ROX index was the most significant predictor associated with IMV, while APACHE II, LDH, and DaysSympICU were the most with mortality. Conclusions According to the results of the analysis, there are significant predictors linked with IMV and mortality in C-ARDS patients, including the time between symptom onset and ICU admission, the severity of the COVID-19 waves, and several clinical and laboratory measures. These findings may help clinicians to better identify patients at risk for IMV and mortality and improve their management. (AU)

Objetivo Determinar si las variables clínicas independientes que condicionan el inicio de ventilación mecánica invasiva (VMI) son los mismos que condicionan la mortalidad en el síndrome de distrés respiratorio agudo asociado con COVID-19 (C-SDRA). Diseño Estudio observacional longitudinal en un solo centro. Ámbito UCI, hospital terciario: primeras dos olas de COVID-19 en Madrid, España. Pacientes o participantes 280 pacientes con C-SDRA que no requieren VMI al ingreso en UCI. Intervenciones Ninguna. Principales variables de interés Objetivo: VMI y Mortalidad. Predictores: demográficos, variables clínicas, resultados de laboratorio y evolución de la oxigenación. Resultados El tiempo entre el inicio de los síntomas y el ingreso en la UCI, la puntuación APACHE II, el índice ROX y los niveles de procalcitonina en sangre eran posibles predictores relacionados tanto con la IMV como con la mortalidad. El índice ROX fue el predictor más significativo asociada con la IMV, mientras que APACHE II, LDH y DaysSympICU fueron los más influyentes en la mortalidad. Conclusiones Según los resultados obtenidos se identifican predictores significativos vinculados con la VMI y mortalidad en pacientes con C-ARDS, incluido el tiempo entre el inicio de los síntomas y el ingreso en la UCI, la gravedad de las olas de COVID-19 y varias medidas clínicas y de laboratorio. Estos hallazgos pueden ayudar a los médicos a identificar mejor a los pacientes en riesgo de IMV y mortalidad y mejorar su manejo. (AU)

Predictors of mechanical ventilation and mortality in critically ill patients with COVID-19 pneumonia.

OBJECTIVE: To determine if potential predictors for invasive mechanical ventilation (IMV) are also determinants for mortality in COVID-19-associated acute respiratory distress syndrome (C-ARDS). DESIGN: Single center highly detailed longitudinal observational study. SETTING: Tertiary hospital ICU: two first COVID-19 pandemic waves, Madrid, Spain. PATIENTS OR PARTICIPANTS: 280 patients with C-ARDS, not requiring IMV on admission. INTERVENTIONS: None. MAIN VARIABLES OF INTEREST: Target: endotracheal intubation and IMV, mortality. PREDICTORS: demographics, hourly evolution of oxygenation, clinical data, and laboratory results. RESULTS: The time between symptom onset and ICU admission, the APACHE II score, the ROX index, and procalcitonin levels in blood were potential predictors related to both IMV and mortality. The ROX index was the most significant predictor associated with IMV, while APACHE II, LDH, and DaysSympICU were the most with mortality. CONCLUSIONS: According to the results of the analysis, there are significant predictors linked with IMV and mortality in C-ARDS patients, including the time between symptom onset and ICU admission, the severity of the COVID-19 waves, and several clinical and laboratory measures. These findings may help clinicians to better identify patients at risk for IMV and mortality and improve their management.

Chronic liver disease-associated severe thrombocytopenia in Spain: Results from a retrospective study using machine learning and natural language processing.

BACKGROUND: Patients with chronic liver disease (CLD) often develop thrombocytopenia (TCP) as a complication. Severe TCP (platelet count<50×109/L) can increase morbidity and complicate CLD management, increasing bleeding risk during invasive procedures. OBJECTIVES: To describe the real-world scenario of CLD-associated severe TCP patients' clinical characteristics. To evaluate the association between invasive procedures, prophylactic treatments, and bleeding events in this group of patients. To describe their need of medical resource use in Spain. METHODS: This is a retrospective, multicenter study including patients who had confirmed diagnosis of CLD and severe TCP in four hospitals within the Spanish National Healthcare Network from January 2014 to December 2018. We analyzed the free-text information from Electronic Health Records (EHRs) of patients using Natural Language Processing (NLP), machine learning techniques, and SNOMED-CT terminology. Demographics, comorbidities, analytical parameters and characteristics of CLD were extracted at baseline and need for invasive procedures, prophylactic treatments, bleeding events and medical resources used in the follow up period. Frequency tables were generated for categorical variables, whereas continuous variables were described in summary tables as mean (SD) and median (Q1-Q3). RESULTS: Out of 1,765,675 patients, 1787 had CLD and severe TCP; 65.2% were male with a mean age of 54.7 years old. Cirrhosis was detected in 46% (n=820) of patients and 9.1% (n=163) had hepatocellular carcinoma. Invasive procedures were needed in 85.6% of patients during the follow up period. Patients undergoing procedures compared to those patients without invasive procedures presented higher rates of bleeding events (33% vs 8%, p<0.0001) and higher number of bleedings. While prophylactic platelet transfusions were given to 25.6% of patients undergoing procedures, TPO receptor agonist use was only detected in 3.1% of them. Most patients (60.9%) required at least one hospital admission during the follow up and 14.4% of admissions were due to bleeding events with a hospital length of stay of 6 (3, 9) days. CONCLUSIONS: NLP and machine learning are useful tools to describe real-world data in patients with CLD and severe TCP in Spain. Bleeding events are frequent in those patients who need invasive procedures, even receiving platelet transfusions as a prophylactic treatment, increasing the further use of medical resources. Because that, new prophylactic treatments that are not yet generalized, are needed.

Prediction and simulation of PEEP setting effects with machine learning models.

OBJECTIVE: To establish a new machine learning-based method to adjust positive end-expiratory pressure (PEEP) using only already routinely measured data. DESIGN: Retrospective observational study. SETTING: Intensive care unit (ICU). PATIENTS OR PARTICIPANTS: 51811 mechanically ventilated patients in multiple ICUs in the USA (data from MIMIC-III and eICU databases). INTERVENTIONS: No interventions. MAIN VARIABLES OF INTEREST: Success parameters of ventilation (arterial partial pressures of oxygen and carbon dioxide and respiratory system compliance) RESULTS: The multi-tasking neural network model performed significantly best for all target tasks in the primary test set. The model predicts arterial partial pressures of oxygen and carbon dioxide and respiratory system compliance about 45 min into the future with mean absolute percentage errors of about 21.7%, 10.0% and 15.8%, respectively. The proposed use of the model was demonstrated in case scenarios, where we simulated possible effects of PEEP adjustments for individual cases. CONCLUSIONS: Our study implies that machine learning approach to PEEP titration is a promising new method which comes with no extra cost once the infrastructure is in place. Availability of databases with most recent ICU patient data is crucial for the refinement of prediction performance.

Machine learning in predicting severe acute respiratory infection outbreaks / Aprendizado de máquina na previsão de surtos de síndrome respiratória aguda grave / Aprendizaje automático en la predicción de brotes de síndrome respiratorio agudo grave

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

DATA GOVERNANCE in digital surgery.

Technological and computer advances have led to a "new era" of Surgery called Digital Surgery. In it, the management of information is the key. The development of Artificial Intelligence requires "Big Data" to create its algorithms. The use of digital technology for the systematic capture of data from the surgical process raises ethical issues of privacy, property, and consent. The use of these out-of-control data creates uncertainty and can be a source of mistrust and refusal by surgeons to allow its use, requiring a framework for the correct management of them. This paper exposes the current situation of Data Governance in Digital Surgery, the challenges posed and the lines of action necessary to resolve the areas of uncertainty that have arisen in the process, in which the surgeon must play a relevant role.

Introducción al machine learning en Senología / Introduction to machine learning in breast disorders

El machine learning, statistical learning o aprendizaje automático es un concepto perteneciente al ámbito de la Ciencia de la Computación, que se refiere a la capacidad de las máquinas para construir modelos matemáticos de alta eficiencia predictiva, a partir de grandes paquetes de datos por medio de una serie de herramientas basadas en la estadística, la algorítmica y la recursividad, y mejorar los mismos conforme se incorpora nueva información. Si bien ya en el campo de la Senología hay diversos proyectos, principalmente orientados a la interpretación de imágenes tanto en Radiología como en Anatomía Patológica, aún es excepcional el empleo sistemático de esta tecnología como fuente de adquisición de nuevos conocimientos, en particular en lo concerniente a la toma de decisiones clínico-terapéuticas. Todos los especialistas involucrados en el campo de la Senología estamos obligados a familiarizarnos con esta metodología, para poder dirigirla apropiadamente, lejos de su utilización con ánimo de lucro, máxime cuando los éxitos cosechados en otros ámbitos sociales permiten intuir que su implementación en Medicina no solo puede resultar útil sino inevitable. (AU)

Machine Learning or Statistical Learning is a concept belonging to the field of Computer Science that refers to the ability of machines to build mathematical models with high predictive efficiency from large data packages through a series of tools based on Statistics, Algorithmics and recursion, and to improve them as new information is incorporated. Although in the field of breast disorders there are already various projects mainly oriented to the interpretation of images in both Radiology and Pathology, the systematic use of this technology as a source of acquiring new knowledge is still exceptional, particularly with regard to clinical-therapeutic decision-making. All the specialists involved in the field of breast disorders are obliged to familiarize ourselves with this methodology, in order to properly direct it away from its use for profit, especially when the successes achieved in other social spheres allow us to intuit that its implementation in Medicine can not only be useful but unavoidable. (AU)

What is the influence of lifestyle habits and socioeconomic factors on the occurrence of prostate cancer in Brazil? / ¿Cuál es la influencia de los hábitos de vida y de los factores socioeconómicos en la aparición del cáncer de próstata en Brasil? / Qual a influência de hábitos de vida e fatores socioeconômicos na ocorrência de câncer de próstata no Brasil?

Objective: the investigation of physical, lifestyle and socioeconomic features that may be associated with the occurrence of prostate cancer in Brazil. Methods: a microdata base referring to the 2019 National Health Survey in Brazil was used, with the selection of 42,799 male individuals; this group was analyzed using statistical methods and machine learning modeling (logistic regression and decision tree). Results: the models applied allowed us to identify with a good level of accuracy individuals with prostate cancer diagnosis (DCP), in addition to groups with specific features more strongly associated with such a disease. Conclusion: the models indicate a significant influence of socioeconomic, physical and dietary factors on the frequency of DCP in the analyzed group. The high level of accuracy and sensitivity of the models demonstrates the potential of machine learning methods for predicting DCP.

Objetivo: investigar características físicas, de estilo de vida y socioeconómicas que pueden estar asociadas con la aparición de cáncer de próstata en Brasil. Métodos: se utilizó una base de microdatos referente a la Encuesta Nacional de Salud de 2019, con la selección de 42.799 individuos del sexo masculino; este grupo fue analizado mediante métodos estadísticos y modelado de machine learning (regresión logística y árbol de decisión). Resultados: los modelos aplicados permitieron identificar con buen nivel de exactitud a los individuos con diagnóstico de cáncer de próstata (DCP), además de grupos con características específicas más fuertemente asociadas a esta enfermedad. Conclusión: los modelos indican influencia significativa de factores socioeconómicos, físicos y dietéticos sobre la frecuencia de DCP en el grupo analizado. El alto nivel de exactitud y sensibilidad de los modelos demuestra el potencial de los métodos de machine learning para predecir la DCP.

Objetivo: investigar características físicas, de hábitos de vida e socioeconômicas que podem estar associadas à ocorrência de câncer de próstata no Brasil. Métodos: uma base de microdados referente à Pesquisa Nacional de Saúde 2019 foi utilizada, com a seleção de 42.799 indivíduos do sexo masculino; este grupo foi analisado por meio de métodos estatísticos e modelagem por machine learning (regressão logística e árvore de decisão). Resultados: os modelos aplicados permitiram identificar com bom nível de acurácia os indivíduos que receberam o diagnóstico de câncer de próstata (DCP), além de grupos com características específicas mais fortemente associados a esta doença. Conclusão: os modelos indicam uma influência significativa de fatores socioeconômicos, físicos e alimentares na frequência de DCP no grupo analisado. O alto nível de acurácia e sensibilidade dos modelos demonstra o potencial dos métodos de machine learning para a previsão de DCP.

Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales / Cutting tools to optimize classification parameters of timber species with convolutional neural networks

Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo ''Tramontina'' es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil ''Pretul'' es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo ''Ubermann'' es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.

Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the ''Tramontina'' knife to be durable, however, it loses its edge easily and requires a sharpening tool, the ''Pretul'' retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the ''Ubermann'' knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics.

Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo / Artificial Intelligence Modeling with Non-Invasive Hemodynamics to Predict Preeclampsia in High-Risk Pregnancy

RESUMEN Introducción: la preeclampsia (PE) es la principal causa de morbimortalidad materno-fetal en nuestro país. Alteraciones hemodinámicas precoces durante el embarazo podrían predecir la evolución a PE. El machine learning (ML) permite el hallazgo de patrones ocultos que podrían detectar precozmente el desarrollo de PE. Objetivos: desarrollar un árbol de clasificación con variables de hemodinamia no invasiva para predecir precozmente desarrollo de PE. Material y métodos: estudio observacional prospectivo con embarazadas de alto riesgo (n=1155) derivadas del servicio de Obstetricia desde enero 2016 a octubre 2022 para el muestreo de entrenamiento por ML con árbol de clasificación j48. Se seleccionaron 112 embarazadas entre semanas 10 a 16, sin tratamiento farmacológico y que completaron el seguimiento con el término de su embarazo con evento final combinado (PE): preeclampsia, eclampsia y síndrome HELLP. Se evaluaron simultáneamente con cardiografía de impedancia y velocidad de onda del pulso y con monitoreo ambulatorio de presión arterial de 24 hs (MAPA). Resultados: presentaron PE 17 pacientes (15,18%). Se generó un árbol de clasificación predictivo con las siguientes variables: índice de complacencia arterial (ICA), índice cardíaco (IC), índice de trabajo sistólico (ITS), cociente de tiempos eyectivos (CTE), índice de Heather (IH). Se clasificaron correctamente el 93,75%; coeficiente Kappa 0,70, valor predictivo positivo (VPP) 0,94 y negativo (VPN) 0,35. Precisión 0,94, área bajo la curva ROC 0,93. Conclusión: las variables ICA, IC, ITS, CTE e IH predijeron en nuestra muestra el desarrollo de PE con excelente discriminación y precisión, de forma precoz, no invasiva, segura y con bajo costo.

ABSTRACT Background: Preeclampsia (PE) is the main cause of maternal-fetal morbidity and mortality in our country. Early hemodynamic changes during pregnancy could predict progression to PE. Machine learning (ML) enables the discovery of hidden patterns that could early detect PE development. Objectives: The aim of this study was to build a classification tree with non-invasive hemodynamic variables for the early prediction of PE occurrence. Results: Seventeen patients (15.18%) presented PE. A predictive classification tree was generated with arterial compliance index (ACI), cardiac index (CI), cardiac work index (CWI), ejective time ratio (ETR), and Heather index (HI). A total of 93.75% patients were correctly classified (Kappa 0.70, positive predictive value 0.94 and negative predictive value 0.35; accuracy 0.94, and area under the ROC curve 0.93). Conclusion: ACI, CI, CWI, ETR and HI variables predicted the early development of PE in our sample with excellent discrimination and accuracy, non-invasively, safely and at low cost.

Métodos de aprendizaje automático para predecir el comportamiento epidemiológico de enfermedades arbovirales: revisión estructurada de literatura

Introducción: Los métodos de aprendizaje automático permiten manejar datos estructurados y no estructurados para construir modelos predictivos y apoyar la toma de decisiones. Objetivo: Identificar los métodos de aprendizaje automático aplicados para predecir el comportamiento epidemiológico de enfermedades arbovirales utilizando datos de vigilancia epidemiológica. Metodología: Se realizó búsqueda en EMBASE y PubMed, análisis bibliométrico y síntesis de la información. Resultados: Se seleccionaron 41 documentos, todos publicados en la última década. La palabra clave más frecuente fue dengue. La mayoría de los autores (88,3 %) participó en un artículo de investigación. Se encontraron 16 métodos de aprendizaje automático, el más frecuente fue Red Neuronal Artificial, seguido de Máquinas de Vectores de Soporte. Conclusiones: En la última década se incrementó la publicación de trabajos que pretenden predecir el comportamiento epidemiológico de arbovirosis por medio de diversos métodos de aprendizaje automático que incorporan series de tiempo de los casos, variables climatológicas, y otras fuentes de información de datos abiertos.

Introduction: Machine learning methods allow to manipulate structured and unstructured data to build predictive models and support decision-making. Objective: To identify machine learning methods applied to predict the epidemiological behavior of vector-borne diseases using epidemiological surveillance data. Methodology: A literature search in EMBASE and PubMed, bibliometric analysis, and information synthesis were performed. Results: A total of 41 papers were selected, all of them were published in the last decade. The most frequent keyword was dengue. Most authors (88.3 %) participated in a research article. Sixteen machine learning methods were found, the most frequent being Artificial Neural Network, followed by Support Vector Machines. Conclusions: In the last decade there has been an increase in the number of articles that aim to predict the epidemiological behavior of vector-borne diseases using by means of various machine learning methods that incorporate time series of cases, climatological variables, and other sources of open data information.

Tomografía fotoacústica y Deep Learning en aplicacionesmédicas

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación. Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through them it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures. On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

Modelo predictivo de enfermedad cardiovascular basado en inteligencia artificial en la atención primaria de salud / A Predictive Model for Cardiovascular Disease based on Artificial Intelligence in Primary Health Care

Introducción: En Cuba y en el resto del mundo, las enfermedades cardiovasculares son reconocidas como un problema de salud pública mayúsculo y creciente, que provoca una alta mortalidad. Objetivo: Diseñar un modelo predictivo para estimar el riesgo de enfermedad cardiovascular basado en técnicas de inteligencia artificial. Métodos: La fuente de datos fue una cohorte prospectiva que incluyó 1633 pacientes, seguidos durante 10 años, fue utilizada la herramienta de minería de datos Weka, se emplearon técnicas de selección de atributos para obtener un subconjunto más reducido de variables significativas, para generar los modelos fueron aplicados: el algoritmo de reglas JRip y el meta algoritmo Attribute Selected Classifier, usando como clasificadores el J48 y el Multilayer Perceptron. Se compararon los modelos obtenidos y se aplicaron las métricas más usadas para clases desbalanceadas. Resultados: El atributo más significativo fue el antecedente de hipertensión arterial, seguido por el colesterol de lipoproteínas de alta densidad y de baja densidad, la proteína c reactiva de alta sensibilidad y la tensión arterial sistólica, de estos atributos se derivaron todas las reglas de predicción, los algoritmos fueron efectivos para generar el modelo, el mejor desempeño fue con el Multilayer Perceptron, con una tasa de verdaderos positivos del 95,2 por ciento un área bajo la curva ROC de 0,987 en la validación cruzada. Conclusiones: Fue diseñado un modelo predictivo mediante técnicas de inteligencia artificial, lo que constituye un valioso recurso orientado a la prevención de las enfermedades cardiovasculares en la atención primaria de salud(AU)

Introduction: In Cuba and in the rest of the world, cardiovascular diseases are recognized as a major and growing public health problem, which causes high mortality. Objective: To design a predictive model to estimate the risk of cardiovascular disease based on artificial intelligence techniques. Methods: The data source was a prospective cohort including 1633 patients, followed for 10 years. The data mining tool Weka was used and attribute selection techniques were employed to obtain a smaller subset of significant variables. To generate the models, the rule algorithm JRip and the meta-algorithm Attribute Selected Classifier were applied, using J48 and Multilayer Perceptron as classifiers. The obtained models were compared and the most used metrics for unbalanced classes were applied. Results: The most significant attribute was history of arterial hypertension, followed by high and low density lipoprotein cholesterol, high sensitivity c-reactive protein and systolic blood pressure; all the prediction rules were derived from these attributes. The algorithms were effective to generate the model. The best performance was obtained using the Multilayer Perceptron, with a true positive rate of 95.2percent and an area under the ROC curve of 0.987 in the cross validation. Conclusions: A predictive model was designed using artificial intelligence techniques; it is a valuable resource oriented to the prevention of cardiovascular diseases in primary health care(AU)

Sex Determination by the Machine Learning Algorithms Through Using Morphometric Measurements of the Carpal, Metacarpal, and Phalangeal Bones / Determinación del Sexo Mediante Algoritmos de Aprendizaje Automático Mediante el Uso de Mediciones Morfométricas de los Huesos del Carpo, el Metacarpo y las Falanges

SUMMARY: In the study, it was aimed to predict sex from hand measurements using machine learning algorithms (MLA). Measurements were made on MR images of 60 men and 60 women. Determined parameters; hand length (HL), palm length (PL), hand width (HW), wrist width (EBG), metacarpal I length (MIL), metacarpal I width (MIW), metacarpal II length (MIIL), metacarpal II width (MIIW), metacarpal III length (MIIL), metacarpal III width (MIIIW), metacarpal IV length (MIVL), metacarpal IV width (MIVW), metacarpal V length (MVL), metacarpal V width (MVW), phalanx I length (PILL), measured as phalanx II length (PIIL), phalanx III length (PIIL), phalanx IV length (PIVL), phalanx V length (PVL). In addition, the hand index (HI) was calculated. Logistic Regression (LR), Random Forest (RF), Linear Discriminant Analysis (LDA), K-nearest neighbour (KNN) and Naive Bayes (NB) were used as MLAs. In the study, the KNN algorithm's Accuracy, SEN, F1 and Specificity ratios were determined as 88 %. In this study using MLA, it is understood that the highest accuracy belongs to the KNN algorithm. Except for the hand's MIIW, MIIIW, MIVW, MVW, HI variables, other variables were statistically significant in terms of sex difference.

En el estudio, el objetivo era predecir el sexo a partir de mediciones manuales utilizando algoritmos de aprendizaje automático (MLA). Las mediciones se realizaron en imágenes de RM de 60 hombres y 60 mujeres. Parámetros determinados; longitud de la mano (HL), longitud de la palma (PL), ancho de la mano (HW), ancho de la muñeca (EBG), longitud del metacarpiano I (MIL), ancho del metacarpiano I (MIW), longitud del metacarpiano II (MIIL), ancho del metacarpiano II (MIIW), longitud del metacarpiano III (MIIL), ancho del metacarpiano III (MIIIW), longitud del metacarpiano IV (MIVL), ancho del metacarpiano IV (MIVW), longitud del metacarpiano V (MVL), ancho del metacarpiano V (MVW), longitud de la falange I (PILL), medido como longitud de la falange II (PIIL), longitud de la falange III (PIIL), longitud de la falange IV (PIVL), longitud de la falange V (PVL). Además, se calculó el índice de la mano (HI). Regresión logística (LR), Random Forest (RF), Análisis discriminante lineal (LDA), K-vecino más cercano (KNN) y Naive Bayes (NB) se utilizaron como MLA. En el estudio, las proporciones de precisión, SEN, F1 y especificidad del algoritmo KNN se determinaron en un 88 %. En este estudio que utiliza MLA, se entiende que la mayor precisión pertenece al algoritmo KNN. Excepto por las variables MIIW, MIIIW, MIVW, MVW, HI de la mano, otras variables fueron estadísticamente significativas en términos de diferencia de sexo.

Inteligencia artificial en enfermedades infecciosas / Artificial intelligence in infectious diseases

Estamos asistiendo a una verdadera revolución tecnológi-ca en el campo de la salud. Los procesos basados en la aplicación de la inteligencia artificial (IA) y el aprendizaje automático (AA) están llegando progresivamente a todas las áreas disciplinares, y su aplicación en el campo de las enfermedades infecciosas es ya vertiginoso, acelerado por la pandemia de COVID-19.Hoy disponemos de herramientas que no solamente pue-den asistir o llevar adelante el proceso de toma de deci-siones basadas en guías o algoritmos, sino que también pueden modificar su desempeño a partir de los procesos previamente realizados. Desde la optimización en la identificación de microorganis-mos resistentes, la selección de candidatos a participar en ensayos clínicos, la búsqueda de nuevos agentes terapéu-ticos antimicrobianos, el desarrollo de nuevas vacunas, la predicción de futuras epidemias y pandemias, y el segui-miento clínico de pacientes con enfermedades infecciosas hasta la asignación de recursos en el curso de manejo de un brote son actividades que hoy ya pueden valerse de la inteligencia artificial para obtener un mejor resultado. El desarrollo de la IA tiene un potencial de aplicación expo-nencial y sin dudas será uno de los determinantes principa-les que moldearán la actividad médica del futuro cercano.Sin embargo, la maduración de esta tecnología, necesaria para su inserción definitiva en las actividades cotidianas del cuidado de la salud, requiere la definición de paráme-tros de referencia, sistemas de validación y lineamientos regulatorios que todavía no existen o son aún solo inci-pientes

We are in the midst of a true technological revolution in healthcare. Processes based upon artificial intelligence and machine learning are progressively touching all disciplinary areas, and its implementation in the field of infectious diseases is astonishing, accelerated by the COVID-19 pandemic. Today we have tools that can not only assist or carry on decision-making processes based upon guidelines or algorithms, but also modify its performance from the previously completed tasks. From optimization of the identification of resistant pathogens, selection of candidates for participating in clinical trials, the search of new antimicrobial therapeutic agents, the development of new vaccines, the prediction of future epidemics and pandemics, the clinical follow up of patients suffering infectious diseases up to the resource allocation in the management of an outbreak, are all current activities that can apply artificial intelligence in order to improve their final outcomes.This development has an exponential possibility of application, and is undoubtedly one of the main determinants that will shape medical activity in the future.Notwithstanding the maturation of this technology that is required for its definitive insertion in day-to-day healthcare activities, should be accompanied by definition of reference parameters, validation systems and regulatory guidelines that do not exist yet or are still in its initial stages