Introdução: A infecção latente por tuberculose (LTBI) é um reservatório significativo para o desenvolvimento ativo da tuberculose. Identificar os principais fatores de risco é crucial para as estratégias de prevenção. As técnicas de aprendizado de máquina podem revelar relações complexas entre fatores de risco e resultados de doenças.

Métodos: Os dados foram coletados do Sistema de Informações de Gestão da Tuberculose da China. O LTBI foi definido por testes cutâneos positivos de tuberculina. Foi empregado um desenho de caso-controle comparando pacientes com LTBI (n = 669) com tuberculose ativa (ATB, n = 669). A correspondência do escore de propensão (1:1) foi realizada usando idade, sexo e nível de educação. Quatro modelos de aprendizado de máquina (floresta aleatória, XGBoost, máquina vetorial de suporte e rede neural) foram desenvolvidos para análise de importância de características. A regressão logística e a regressão logística do Lost Absolute Shrinkage and Selection Operator (LASSO) identificaram os principais fatores de risco. A reamostragem Bootstrap (n = 1.000 iterações) avaliou a estabilidade do modelo com intervalos de confiança de 95%. A análise das explicações aditivas de Shapley (SHAP) forneceu a interpretação da importância das características. Um nomograma de risco foi construído e avaliado usando curvas operacionais características do receptor, gráficos de calibração e análise da curva de decisão.

Resultados: Entre 1.338 participantes pareados, o XGBoost demonstrou desempenho superior (AUC = 0,898, precisão = 85,7%, sensibilidade = 84,2%, especificidade = 86,9%). A análise do SHAP revelou a faixa etária (média | valor do SHAP | = 0,818) como o preditor mais influente, seguido pelo tipo de seguro médico (0,599), grupo de renda (0,523) e nível de educação (0,439). A regressão logística identificou 11 fatores de risco significativos: idade (OR = 2,35, IC 95%: 1,86-2,96), IMC (OR = 0,81, IC 95%: 0,71-0,93), tabagismo, exposição ocupacional à poeira, diabetes, tipo de plano médico, uso de imunossupressores, nível educacional, silicose, anemia e histórico de contato com TB. O nomograma mostrou boa discriminação (AUC = 0,839) e utilidade clínica, identificando 64,44% dos indivíduos como de alto risco, com 53,62% confirmados como verdadeiros positivos no limite de risco de 20%.

Conclusão: Este estudo identificou com sucesso os principais fatores de risco de LTBI usando abordagens de aprendizado de máquina. O nomograma desenvolvido fornece uma ferramenta prática para triagem direcionada a ambientes com recursos limitados. Intervenções direcionadas a fatores modificáveis, como cessação do tabagismo e controle ocupacional de poeira, podem reduzir o LTBI e a carga ativa de TB.

Palavras-chave: Infecção latente por tuberculose; Aprendizado de máquina; Nomograma; Fatores de risco; Análise SHAP.

Ler artigo completo

Identificação de fatores de risco de infecção latente por tuberculose em Xinjiang usando aprendizado de máquina

Identificação de fatores de risco de infecção latente por tuberculose em Xinjiang usando aprendizado de máquina

Categorias selecionadas:

Bem-vindo(a) novamenteao Médico Exponencial!

Bem-vindo(a) novamente
ao Médico Exponencial!