Machine learning implementation for host-based infectious disease diagnostics

Resumo Técnico: Implementação de Aprendizado de Máquina para Diagnósticos de Doenças Infecciosas Baseados no Hospedeiro

Definição do Problema
A identificação precoce da etiologia de doenças infecciosas é crítica para o tratamento clínico apropriado, mas a incerteza frequentemente leva à exposição desnecessária a antimicrobianos, contribuindo para a seleção e disseminação de organismos resistentes. Os métodos diagnósticos tradicionais, como culturas bacterianas e PCR direcionada, enfrentam limitações quanto à velocidade, à necessidade de um organismo suspeito e à sobreposição de biomarcadores inflamatórios inespecíficos entre condições bacterianas, virais e não infecciosas. Os diagnósticos baseados no hospedeiro, que avaliam a resposta biológica do paciente (ex: assinaturas transcriptômicas, citocinas, sinais fisiológicos) em vez do patógeno diretamente, oferecem uma solução potencial. No entanto, a integração dessas diversas modalidades de dados com o aprendizado de máquina (ML) requer uma avaliação sistemática para determinar quais algoritmos são mais adequados para tipos de dados específicos e como o desempenho é atualmente relatado na literatura.

Metodologia
Este estudo conduziu uma revisão sistemática da literatura publicada entre janeiro de 2020 e agosto de 2025. A busca utilizou quatro fontes: Nature, PLOS, PubMed e Elsevier, empregando strings de busca adaptadas às fontes para capturar estudos que aplicam ML a dados clínicos de pacientes para detecção de patógenos, classificação de infecções (ex: bacteriana vs. viral) ou diagnóstico de resposta do hospedeiro.

• Critérios de Seleção: De 144 registros recuperados, 51 passaram por uma triagem inicial de diagnósticos baseados no hospedeiro. Após excluir estudos que careciam de modelos de diagnóstico de ML adequados ou que focavam exclusivamente em sistemas in vitro, 21 artigos atenderam aos critérios finais de elegibilidade.
• Extração de Dados: A revisão extraiu 54 avaliações de modelos distintos dos 21 artigos. Essas avaliações foram categorizadas por modalidade de entrada (variáveis clínicas estruturadas, medições de expressão gênica/molecular, imagens médicas, sinais fisiológicos e microscopia) e classe de modelo.
• Foco do Modelo: A análise concentrou-se em quatro classes primárias de modelos supervisionados: Random Forest, Redes Neurais, Máquinas de Vetores de Suporte (SVM) e Regressão Logística.
• Avaliação: O autor avaliou a consistência do relato de desempenho, observando que uma avaliação formal de risco de viés (ex: PROBAST) não foi realizada devido à substancial heterogeneidade nos objetivos e desenhos dos estudos. Em vez disso, a qualidade metodológica foi avaliada descritivamente durante a síntese de dados.

Principais Resultados

• Distribuição de Modelos: O Random Forest foi a classe de modelo mais frequentemente avaliada (23 de 54 avaliações, 42,6%), seguido por Redes Neurais (17, 31,5%), Máquinas de Vetores de Suporte (9, 16,7%) e Regressão Logística (5, 9,3%).
• Alinhamento de Modalidade: Estudos de imagem geralmente favoreceram abordagens de Redes Neurais, provavelmente devido à sua capacidade de aprender características espaciais a partir de entradas de alta dimensionalidade. Por outro lado, estudos de expressão molecular utilizaram frequentemente Random Forests.
• Relato de Desempenho: A comparação direta do desempenho dos modelos entre os estudos não foi possível devido às variações nas modalidades de entrada, composição de coortes, pré-processamento, estratégias de validação e desfechos relatados.
  • Métricas: A Acurácia e a Área Sob a Curva Característica de Operação do Receptor (AUC) foram as medidas de desempenho dominantes. 14 avaliações relataram apenas acurácia, 20 relataram apenas AUC e 20 relataram ambas.
  • Deficiências: Apenas 16 avaliações (30%) relataram medidas clinicamente informativas adicionais, como sensibilidade, especificidade, pontuação F1 ou coeficiente de correlação de Matthews.
• Generalização: As evidências não sustentaram uma classe de modelo universalmente ótima. O desempenho dependeu fortemente do alinhamento entre o algoritmo e as propriedades biológicas e técnicas específicas dos dados de entrada.

Principais Contribuições

1. Mapeamento Sistemático: O artigo fornece um mapeamento abrangente do cenário atual do ML de diagnóstico baseado no hospedeiro, detalhando a prevalência de algoritmos específicos através de diferentes modalidades de dados.
2. Análise de Relato: Ele destaca uma lacuna significativa nos padrões de relato, especificamente a dependência excessiva de Acurácia e AUC, enquanto há um sub-relato de métricas específicas de classe (sensibilidade, especificidade) e medidas de calibração, o que limita a interpretabilidade clínica desses modelos.
3. Seleção de Modelo Contextual: A revisão estabelece que a seleção do modelo deve ser impulsionada pela estrutura e restrições dos dados de entrada (ex: dimensionalidade, estrutura de ruído), em vez da busca por um único algoritmo superior.
4. Estrutura Translacional: O trabalho delineia as etapas necessárias para a tradução clínica, incluindo a necessidade de validação externa, descrições transparentes de pré-processamento e o desenvolvimento de saídas independentes de doença (ex: bacteriana vs. viral vs. não infecciosa) em vez de classificadores específicos de patógenos.

Significância e Alegações
O autor afirma que, embora o aprendizado de máquina baseado no hospedeiro possua um potencial claro para apoiar a classificação de doenças infecciosas e reduzir o tratamento antimicrobiano desnecessário, o campo é atualmente dificultado pela heterogeneidade metodológica e pelo relato inconsistente. O artigo assegura que não existe uma classe de modelo única que seja uniformemente superior em todos os tipos de dados. Em vez disso, a oportunidade mais imediata para o avanço reside na melhoria da padronização. O autor argumenta que o relato consistente de pré-processamento, validação, seleção de hiperparâmetros e um conjunto mais amplo de métricas de desempenho (além de apenas AUC) é essencial para tornar os estudos reprodutíveis e clinicamente interpretáveis. O trabalho futuro deve priorizar saídas generalizáveis e independentes de doença, bem como painéis de biomarcadores direcionados que possam ser medidos dentro de prazos clinicamente úteis para transicionar esses sistemas de demonstrações retrospectivas para ferramentas valiosas de suporte à decisão.