Un artículo de CAMELIA presenta EPheClass, una herramienta basada en machine learning para el diagnóstico de enfermedades polimicrobianas
Las enfermedades hashtag#Polymicrobial suponen un importante desafío para el diagnóstico precoz debido a la complejidad y heterogeneidad del microbioma humano.
Este trabajo llvado a cabo por Lara María Vázquez González, Carlos Peña Reyes, Alba Regueira Iglesias, Carlos Balsa Castro, Inmaculada Tomás Carmona y María José Carreira Nouche. presenta EPheClass, un pipeline curado para la clasificación de fenotipos a partir de secuencias del gen 16S rRNA (gene) y técnicas de machinelearning basadas en métodos ensemble.
EPheClass se aplicó a tres escenarios clínicos distintos —enfermedad periodontal, enfermedad inflamatoria intestinal y exposición a antibióticos— logrando un alto rendimiento predictivo con un número muy reducido de características: solo 13 ASVs para el diagnóstico de enfermedad periodontal a partir de muestras de saliva, alcanzando un AUC de 0,973.
La herramienta mejora la reproducibilidad, reduce el coste computacional y aumenta la interpretabilidad de los modelos, lo que la convierte en una solución especialmente adecuada para su aplicación en entornos clínicos.
El trabajo completo está disponible en este enlace.
Este trabajo llvado a cabo por Lara María Vázquez González, Carlos Peña Reyes, Alba Regueira Iglesias, Carlos Balsa Castro, Inmaculada Tomás Carmona y María José Carreira Nouche. presenta EPheClass, un pipeline curado para la clasificación de fenotipos a partir de secuencias del gen 16S rRNA (gene) y técnicas de machinelearning basadas en métodos ensemble.
EPheClass se aplicó a tres escenarios clínicos distintos —enfermedad periodontal, enfermedad inflamatoria intestinal y exposición a antibióticos— logrando un alto rendimiento predictivo con un número muy reducido de características: solo 13 ASVs para el diagnóstico de enfermedad periodontal a partir de muestras de saliva, alcanzando un AUC de 0,973.
La herramienta mejora la reproducibilidad, reduce el coste computacional y aumenta la interpretabilidad de los modelos, lo que la convierte en una solución especialmente adecuada para su aplicación en entornos clínicos.
El trabajo completo está disponible en este enlace.