Optimización del Tratamiento de Bacteriemias por Enterobacterales: Ciencia de Datos aplicada a la Salud
Proyecto Final de Fabrizzio Morandini
Diplomatura de Ciencia de Datos con R y Python
En el marco de la Diplomatura en Data Science con R y Python del Instituto Data Science Argentina, el bioquímico Fabrizzio Morandini presentó un proyecto final que combina análisis clínico, modelado predictivo y algoritmos de optimización para abordar uno de los mayores desafíos actuales en medicina: la resistencia antimicrobiana en bacteriemias por Enterobacterales.
Contexto del proyecto
Las bacteriemias —infecciones en las que bacterias alcanzan el torrente sanguíneo— representan una causa significativa de mortalidad y morbilidad a nivel global. Dentro de ellas, las infecciones por Enterobacterales resistentes a antibióticos se han convertido en un problema crítico debido al incremento acelerado de resistencia antimicrobiana y la falta de nuevos fármacos en desarrollo.
Frente a este panorama, Fabricio propuso un enfoque innovador basado en ciencia de datos y aprendizaje automático para optimizar los tratamientos antimicrobianos, equilibrando mortalidad y costos hospitalarios.
Metodología y análisis de datos
El estudio se basó en un conjunto de datos reales de pacientes provenientes de un hospital argentino, abarcando el período 2021-2023.
Tras un exhaustivo proceso de limpieza, transformación e imputación de datos, se desarrollaron indicadores clínicos como el score de gravedad de bacteriemia y se realizaron análisis exploratorios para caracterizar los distintos fenotipos bacterianos:
- Sensibles a betalactámicos
- Productoras de BLEE (betalactamasas de espectro extendido)
- Productoras de carbapenemasas, asociadas a mayor mortalidad y costos.
Luego, mediante modelos predictivos —entre ellos Random Forest y XGBoost— se construyó un algoritmo capaz de predecir la mortalidad a 30 días según el tratamiento aplicado.
Aplicación de algoritmos genéticos para la optimización
Uno de los aspectos más innovadores del trabajo fue la implementación de un algoritmo genético que permitió optimizar la elección de antibióticos considerando simultáneamente eficacia clínica y costo económico.
El modelo identificó combinaciones terapéuticas con mejores resultados, destacando especialmente la colistina con fosfomicina como alternativa viable para pacientes con infecciones por Enterobacterales productores de carbapenemasas.
Este enfoque demostró que es posible reducir los costos del tratamiento hasta en un 15% sin un aumento significativo en la mortalidad, ofreciendo una herramienta de apoyo a la toma de decisiones clínicas basada en evidencia y datos.
Impacto y conclusiones
El proyecto de Optimización del Tratamiento de Bacteriemias por Enterobacterales constituye un ejemplo claro de cómo la ciencia de datos puede mejorar la gestión sanitaria, aportando soluciones concretas a problemas reales de la práctica médica.
La herramienta desarrollada no busca reemplazar la decisión médica, sino apoyar la elección racional de antibióticos, contribuyendo a frenar la resistencia antimicrobiana y optimizar recursos hospitalarios.
Además, su diseño adaptable permite incorporar nuevos datos clínicos y epidemiológicos, asegurando la actualización constante del modelo a medida que evolucionan las cepas bacterianas y los tratamientos disponibles.
Data Science al servicio de la salud
Este proyecto refleja la intersección entre bioquímica, medicina y análisis de datos, y muestra cómo las técnicas de Machine Learning y optimización algorítmica pueden generar impacto positivo en el ámbito sanitario.
Desde el Instituto Data Science Argentina, celebramos el trabajo de Fabricio Morandini como un ejemplo de innovación aplicada, capaz de inspirar a futuras generaciones de profesionales en la búsqueda de soluciones basadas en datos para los grandes desafíos de la salud pública.
LinkedIn de Fabrizzio Morandini: https://www.linkedin.com/in/fabrizzio-nicol%C3%A1s-morandini-124015214/
