Un algoritmo predice la supervivencia de perros con parvovirus con un 84 % de eficacia

El parvovirus canino tipo 2 (CPV-2), que pertenece al género Protoparvovirus en la familia Parvoviridae, es un virus de ADN monocatenario. El CPV se propaga rápidamente en la población canina y tiene una alta tasa de mortalidad. Debido a que el CPV depende completamente de la célula huésped, la replicación del virus requiere células con alta capacidad proliferativa, como el tracto digestivo, la médula ósea y los tejidos linfoides. La infección por CPV afecta principalmente a tres tejidos principales: el tracto gastrointestinal, la médula ósea y el miocardio, aunque la piel y el tejido nervioso también pueden verse afectados. Las manifestaciones clínicas más comunes son diarrea, vómitos y fiebre. La gravedad de los vómitos suele ser grave, y la diarrea y la anorexia se presentan con menor gravedad. La excreción de fluidos corporales y proteínas a través del sistema digestivo causa deshidratación grave y choque hipovolémico.

Uno de los aspectos más importantes del CPV para el médico veterinario y el propietario de los animales pequeños es la predicción del resultado clínico en perros infectados. Por lo tanto, se han introducido varios biomarcadores clínicos y de laboratorio para estimar el pronóstico en perros con CPV. Por ejemplo, algunos estudios han demostrado que la leucopenia, la neutropenia y la linfopenia son biomarcadores importantes para predecir el resultado clínico, mientras que otros estudios han demostrado que el síndrome SIRS es un fuerte factor de riesgo para los pacientes que no sobreviven. Además, se informó que los niveles séricos de proteína C reactiva y ceruloplasmina fueron significativamente más altos en los perros que no sobrevivieron que en los perros que sobrevivieron. El cortisol sérico, las concentraciones de tiroxina y la proteína C reactiva (PCR) también se han informado como otros biomarcadores pronósticos en la enteritis por parvovirus canino. 

Un algoritmo para predecir la supervivencia de perros con parvovirus

Aunque todos estos biomarcadores son factores pronósticos valiosos individualmente, su combinación puede crear indicadores pronósticos más fuertes y confiables. La principal desventaja de estos biomarcadores individuales es la falta de reproducibilidad, ya que muchas veces un biomarcador se confirma en un estudio mientras que en otro no. La dificultad de medición y el coste son otras desventajas importantes. Sería una gran ventaja si pudiéramos construir modelos de pronóstico utilizando variables que puedan registrarse/medirse fácilmente y con un coste/esfuerzo mínimo. Los avances recientes en aprendizaje automático (ML) e inteligencia artificial (IA) han proporcionado varios algoritmos valiosos que se utilizan ampliamente para predecir el resultado clínico de varias enfermedades en humanos y animales utilizando una combinación de múltiples variables en lugar de basarse en una sola variable. 

Predecir el resultado clínico (supervivencia) y el tiempo de recuperación es muy importante para los médicos de pequeños animales y los dueños de perros. Si bien los biomarcadores pronósticos individuales no son predictores suficientemente potentes, el desarrollo de modelos de aprendizaje automático que utilicen múltiples variables clínicas y no clínicas permite predecir de forma más robusta y fiable el resultado y el tiempo de recuperación. Por ejemplo, utilizando el algoritmo de bosque aleatorio (RA) y algunas variables hematológicas y bioquímicas séricas, como la antitrombina, la aspartato aminotransferasa sérica, la lipasa sérica y el recuento de monocitos y linfocitos, se pudo predecir con fiabilidad el tiempo de supervivencia. Dada la falta de modelos predictivos en parvovirus canino, un estudio realizado en Irán tuvo como objetivo desarrollar un modelo basado en ML para predecir el resultado clínico y el tiempo de recuperación en 156 perros con parvovirus.

Analizando el tiempo de recuperación y la supervivencia 

Para cada caso de infección por CPV, recopilamos tres tipos de datos: demográficos, clínicos y variables de laboratorio. Con respecto a las variables de laboratorio, incluyeron variables hematológicas (p. ej., leucocitos, recuento de neutrófilos y desviación a la izquierda) y algunos analitos bioquímicos (glucosa, magnesio y paraoxonasa). El SIRS se confirmó por la presencia de al menos tres de los cuatro criterios, que incluyen frecuencia cardíaca > 140/min, frecuencia respiratoria > 30/min, temperatura corporal > 39,2 °C y recuento total de glóbulos blancos más de 17 000/μl o < 6000/μl.

Los modelos predictivos se entrenaron y probaron utilizando cuatro algoritmos de regresión ML. Entre las variables categóricas, solo las náuseas, el mal olor, el alojamiento, la deshidratación y la desviación a la izquierda tuvieron una asociación significativa con el tiempo de recuperación.

“El tiempo de recuperación en los perros estudiados fue de 6 ± 1,8 días. Los modelos desarrollados predijeron el tiempo de recuperación en el grupo de prueba con una tasa de error promedio de 2,05 días”. Entre los cuatro modelos, el modelo desarrollado utilizando “LinearRegression” tuvo la tasa de error más baja (1,86 días). Dado que la variable de peso corporal tuvo una correlación débil con el tiempo de recuperación, esta característica se eliminó en el siguiente paso y luego el modelo se entrenó de nuevo. En el nuevo modelo sin peso corporal, el rendimiento de los modelos mejoró ligeramente (1,81 días).

El llanto se asoció significativamente con el riesgo de muerte

En cuanto a la supervivencia, el modelo final se desarrolló utilizando cuatro variables (SIRS, desparasitación, vacunación y llanto). El rendimiento de los modelos finales demostró una puntuación media de precisión en los grupos de entrenamiento y prueba de hasta el 84 %. 

Asimismo, como hallazgo sorprendente, “encontramos que el llanto se asoció significativamente con el riesgo de muerte en perros infectados por CPV, presentándose en el 30 % de los perros que fallecieron”. Así, añaden que “hasta donde sabemos, este es el primer estudio que introduce el llanto como un posible factor pronóstico para predecir el desenlace clínico en la enteritis por CPV”.

Así, concluyen que “nuestros hallazgos demuestran que los modelos de aprendizaje automático pueden integrar eficazmente características clínicas y de laboratorio para predecir la supervivencia y el tiempo de recuperación en perros infectados por CPV, lo que ofrece una herramienta valiosa para el pronóstico temprano y la optimización del tratamiento”.