Search

La infecció periprotèsica articular (PJI), produïda després d’un reemplaçament articular, es diagnostica amb cultius microbiològics de líquid sinovial, un procediment llarg i laboriós. Recentment, s’ha demostrat que la microcalorimetria isotèrmica (IMC) és una eina prometedora per a mesurar en temps real la producció de calor relacionada amb el creixement bacterià en el diagnòstic de la PJI, però no s’ha provat la seva capacitat per a identificar un patogen específic. L’objectiu d’aquest treball és implementar models d’intel·ligència artificial per a identificar patògens causants de PJI fent servir dades d’IMC. Es disposava de corbes d’IMC de 413 mostres de líquid sinovial de genoll i maluc, de les quals 174 eren no infeccioses i 239 estaven infectades amb alguna de les 5 soques bacterianes estudiades. S’han implementat diferents models d’aprenentatge automàtic, començant per models XGBoost per a diferenciar les corbes negatives de les positives (binari) i per a subclassificar les corbes positives (multi-classe). També s’han implementat diversos models basats en xarxes neuronals convolucionals (CNN) per a subclassificar les corbes positives. El model XGBoost binari va assolir una precisió del 100%. Quant a la classificació multi-classe, tant el model XGBoost com el basat en CNN van assolir una precisió del voltant del 91%, demostrant el potencial dels models d’aprenentatge automàtic per a la identificació automàtica de patògens causants de la PJI utilitzant dades d’IMC., La infección periprotésica articular (PJI), producida después de un reemplazo articular, se diagnostica con cultivos microbiológicos de líquido sinovial, un procedimiento largo y laborioso. Recientemente, se ha demostrado que la microcalorimetría isotérmica (IMC) es una herramienta prometedora para medir en tiempo real la producción de calor relacionada con el crecimiento bacteriano en el diagnóstico de la PJI, pero no se ha probado su capacidad para identificar un patógeno específico. El objetivo de este trabajo es implementar modelos de inteligencia artificial para identificar patógenos causantes de PJI utilizando datos de IMC. Se disponía de curvas de IMC de 413 muestras de líquido sinovial de rodilla y cadera, de las cuales 174 eran no infecciosas y 239 estaban infectadas con alguna de las 5 cepas bacterianas estudiadas. Se han implementado diferentes modelos de aprendizaje automático, comenzando por modelos XGBoost para diferenciar las curvas negativas de las positivas (binario) y para subclasificar las curvas positivas (multiclase). También se han implementado varios modelos basados en redes neuronales convolucionales (CNN) para subclasificar las curvas positivas. El modelo XGBoost binario alcanzó una precisión del 100%. En cuanto a la clasificación multiclase, tanto el modelo XGBoost como el basado en CNN alcanzaron una precisión de alrededor del 91%, demostrando el potencial de los modelos de aprendizaje automático para la identificación automática de patógenos causantes de la PJI utilizando datos de IMC., Periprosthetic joint infection (PJI), which occurs after joint replacement, is diagnosed using microbiological cultures of synovial fluid, a long and laborious procedure. Recently, isothermal microcalorimetry (IMC) has been shown to be a promising tool for real-time measurement of heat production related to bacterial growth in the diagnosis of PJI, but its ability to identify a specific pathogen has not been assessed. The aim of this study is to implement artificial intelligence models to identify pathogens causing PJI using IMC data. IMC curves were available for 413 knee and hip synovial fluid samples, of which 174 were non-infectious and 239 were infected with one of the five bacterial strains studied. Various machine learning models were implemented, starting with XGBoost models to differentiate negative curves from positive ones (binary) and to subclassify positive curves (multiclass). Three models based on convolutional neural networks (CNN) were also implemented to subclassify positive curves. The binary XGBoost model achieved 100% accuracy. Regarding multiclass classification, both the XGBoost model and the CNN-based model achieved around 91% accuracy, demonstrating the potential of machine learning models for the automatic identification of pathogens causing PJI using IMC data.