Comparación de algoritmos de machine learning para la predicción de fracaso terapéutico en tuberculosis pulmonar

Resumen

Fundamento: la tuberculosis pulmonar representa una carga significativa para la salud pública mundial, con 10.8 millones de nuevos casos estimados en 2023. El fracaso terapéutico constituye un desafío crítico asociado a factores sociodemográficos, comorbilidades y antecedentes de tratamiento previo. La identificación temprana de pacientes de alto riesgo mediante técnicas de inteligencia artificial emerge como estrategia prometedora para mejorar los resultados terapéuticos.

Objetivo: comparar el rendimiento predictivo de diferentes algoritmos de machine learning para la identificación temprana de pacientes con tuberculosis pulmonar en riesgo de fracaso terapéutico.

Métodos: se realizó un estudio comparativo observacional transversal mediante benchmarking algorítmico. Se evaluaron siete categorías de algoritmos aplicados en 10 estudios publicados entre 2020-2025, con tamaños muestrales de 380-1,236 pacientes. Las métricas de evaluación incluyeron exactitud, precisión, sensibilidad, especificidad y AUC-ROC. Se calculó un índice de rendimiento global ponderado y se aplicaron análisis estadísticos no paramétricos con validación bootstrap.

Resultados: las redes neuronales artificiales demostraron el mejor rendimiento con exactitud de 95.2 % (IC95%: 93.1-97.3%) e IPG de 94.8 puntos. Los árboles de decisión ocuparon el segundo lugar con 92.7 % de exactitud y 92.1 puntos de IPG, seguidos por XGBoost con 89.1 %. Se establecieron tres niveles de rendimiento: superior, intermedio y básico, con diferencias estadísticamente significativas (p<0.001).

Conclusiones: las redes neuronales artificiales establecen un nuevo estándar de referencia para predicción de fracaso terapéutico en tuberculosis pulmonar, mientras que los árboles de decisión ofrecen una alternativa práctica con superior interpretabilidad clínica para implementación hospitalaria.