Annu Int Conf IEEE Eng Med Biol Soc. 2025 julio; 2025: 1-4. doi: 10.1109/EMBC58623.2025.11252756.

La COVID prolongada representa una carga significativa para los sistemas de salud, lo que requiere estrategias de clasificación eficientes para optimizar la atención al paciente. Este estudio presenta un marco de aprendizaje automático (ML) para priorizar a los pacientes con COVID prolongado para consultas de especialistas en cardiología, neumología y psiquiatría. Utilizando un conjunto de datos de 175 pacientes, se desarrolló un modelo de máquina de vectores de soporte y posteriormente se mejoró con la técnica de sobremuestreo de minorías sintéticas para el manejo del desequilibrio de clases. El modelo arrojó una precisión de 0,67 y un área bajo la curva de 0,84, superando a modelos alternativos como Random Forest, k-vecinos más cercanos, XGBoost y Decision Trees. En particular, la puntuación de Salud General SF-36 surgió como el factor más crítico en la clasificación de los pacientes, seguido del dolor corporal y los niveles de ansiedad. Estos hallazgos demuestran el potencial de los enfoques basados ​​en ML para optimizar la asignación de recursos sanitarios y mejorar los resultados de los pacientes. El trabajo futuro evaluará el impacto clínico de este enfoque en estudios prospectivos. Relevancia clínica: este estudio propone un método impulsado por aprendizaje automático para mejorar la clasificación especializada de pacientes con COVID prolongado, ofreciendo potencial para mejorar la asignación de recursos de atención médica y la atención oportuna al paciente.

PubMed:41337380 | DOI:10.1109/EMBC58623.2025.11252756