En el contexto de la pandemia COVID-19, la identificación precisa y rápida de aquellos pacientes en riesgo de muerte es vital para la eficiente asignación de recursos médicos. Este estudio se centra en el uso de algoritmos de aprendizaje profundo, como el árbol de decisión neuronal profundo (DNDT) y el bosque de decisión neuronal profundo (DNDF), para pronosticar la recuperación o muerte de pacientes con COVID-19. Estos métodos buscan superar la limitada interpretabilidad de los modelos tradicionales.

Se analizaron datos de 2875 pacientes en Irán, recogidos durante el primer año de la pandemia, utilizando nueve técnicas diferentes entre aprendizaje automático y profundo. Los resultados mostraron que el modelo DNDF, gracias a su capacidad de interpretar la compleja relación entre datos, tuvo un desempeño superior con una precisión de 78.3% al predecir resultados clínicos.

Un hallazgo crucial es la conclusión de que los datos clínicos son más efectivas que la RT-PCR para determinar la recuperación o muerte de pacientes. Con una efectividad del 80% usando solo datos clínicos, se recomienda confiar en las observaciones médicas directas cuando los recursos son limitados, reforzando la idea de que los métodos clínicos deben considerarse primordiales en situaciones críticas.

Diferentes fases del estudio también mostraron cómo el rendimiento del modelo mejoraba o empeoraba con la eliminación selectiva de características como RT-PCR en la dotación de datos. En general, la eliminación de RT-PCR mejoró el rendimiento predictivo, disminuyendo las tasas de falsos negativos.

La investigación subraya que en futuras crisis de salud, teniendo en cuenta las desigualdades del sistema sanitario, estos métodos podrían ofrecer una vía efectiva para tomar decisiones mejor informadas con respecto a la asignación de recursos médicos limitados. Con un enfoque en la eficacia del método clínico sobre métodos costosos, se estima que estos modelos pueden implementarse potencialmente en otras áreas más allá de las pandemias.