Modelos de predicción de desenlaces terapéuticos en tuberculosis pulmonar del adulto
Palabras clave:
tuberculosis pulmonar; modelos predictivos; aprendizaje automático; pronóstico; algoritmos.Resumen
Introducción: La tuberculosis persiste como una de las principales causas de muerte mundial por enfermedad infecciosa y afecta a 10,8 millones de personas en 2023. Los modelos predictivos de desenlaces terapéuticos han emergido como herramientas prometedoras para identificar pacientes de alto riesgo de fracaso terapéutico, optimizar recursos y mejorar resultados clínicos en tuberculosis pulmonar.
Objetivo: Determinar la calidad metodológica y la aplicabilidad clínica de los modelos de predicción de desenlaces terapéuticos en tuberculosis pulmonar del adulto.
Métodos: Revisión sistemática registrada en PROSPERO (CRD420251110613) que siguió las directrices PRISMA 2020. Se buscaron estudios en múltiples bases de datos entre enero de 2019 y enero de 2025. Estos estudios incluyeron modelos predictivos desarrollados mediante regresión logística, machine learning y redes neuronales para tuberculosis pulmonar. La evaluación del riesgo de sesgo se empleó la herramienta PROBAST. Se realizó una síntesis narrativa estructurada y un metaanálisis cuando fue apropiado, con una evaluación GRADE de la certeza de la evidencia.
Resultados: El metaanálisis reveló factores predictivos robustos: diabetes mellitus (OR: 2,159; IC 95 %: 1,433-3,236), cavidades pulmonares (OR: 2,707; IC 95%: 1,840-3,970), tuberculosis traqueobronquial (OR: 2,628; IC 95 %: 1,810-3,808) e infección por VIH (OR: 2,034; IC 95 %: 1,322-3,131). Los modelos de machine learning mostraron alta precisión (AUC > 0,80), en particular XGBoost, Random Forest y redes neuronales.
Conclusiones: Los modelos predictivos identificados proporcionan herramientas valiosas para estratificar el riesgo en tuberculosis pulmonar, con la diabetes mellitus, la cavitación pulmonar y la tuberculosis traqueobronquial como predictores consistentes. No obstante, se requiere validación externa robusta antes de su implementación clínica rutinaria para contribuir al objetivo del 90 % de éxito terapéutico de la Estrategia Fin de la TB.
Descargas
Citas
1. Organización Mundial de la Salud. Global tuberculosis report 2024. Ginebra: Organización Mundial de la Salud; 2024 [acceso 28/07/2025]. Disponible en: https://www.who.int/teams/global-programme-on-tuberculosis-and-lung-health/tb-reports/global-tuberculosis-report-2024
2. Organización Mundial de la Salud. Key updates to the treatment of drug-resistant tuberculosis: rapid communication. Ginebra: Organización Mundial de la Salud; 2024 [acceso 28/07/2025]. Disponible en: https://www.who.int/publications/i/item/B09123
3. Peetluk LS, Rebeiro PF, Ridolfi FM, Andrade BB, Cordeiro-Santos M, Kritski A, et al. A Clinical Prediction Model for Unsuccessful Pulmonary Tuberculosis Treatment Outcomes. Clin Infect Dis. 2022 [acceso 28/07/2025];74(6):973-82. Disponible en: https://academic.oup.com/cid/article/74/6/973/6313211
4. Peetluk LS, Ridolfi FM, Rebeiro PF, Liu D, Rolla VC, Sterling TR. Systematic review of prediction models for pulmonary tuberculosis treatment outcomes in adults. BMJ Open. 2021 [acceso 28/07/2025];11(3):e044687. Disponible en: https://bmjopen.bmj.com/content/11/3/e044687
5. Wang Y, Chen L, Zhang M, Liu X, Huang J, Li P. Development of a clinical prediction model for poor treatment outcomes in the intensive phase in patients with initial pulmonary TB treatment. Front Med (Lausanne). 2025 [acceso 28/07/2025];12:1472295. Disponible en: https://www.frontiersin.org/articles/10.3389/fmed.2025.1472295/full
6. Smith A, Rodriguez B, Johnson C, Williams D, Brown E, Davis F. Clinical and bacterial determinants of unfavorable tuberculosis treatment outcomes: an observational study in Georgia. 2025 [acceso 28/07/2025]. Disponible en: https://www.medrxiv.org/content/10.1101/2025.01.20.25320828v1
7. Chen J, Wang X, Li Y, Zhang H, Liu M, Zhao K. Predictive machine learning models for anticipating loss to follow-up in tuberculosis patients throughout anti-TB treatment journey. Sci Rep. 2024 [acceso 28/07/2025];14:24685. Disponible en: https://www.nature.com/articles/s41598-024-74942-z
8. Mariyam KB, Jose SA, Jirawattanapanit A, Mathew K. A comprehensive study on tuberculosis prediction models: Integrating machine learning into epidemiological analysis. J Theor Biol. 2025 [acceso 28/07/2025];597:111988. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S002251932400273X
9. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Rev Esp Cardiol. 2021 [acceso 28/07/2025];74(9):790-9. Disponible en: https://www.prisma- statement.org/s/PRISMA-2020-Spanish.pdf
10. Steyerberg EW, Moons KGM, van der Windt DA. Prognosis Research Strategy (PROGRESS) 3: prognostic model research. PLoS Med. 2013;10(2):e1001381. DOI: https://doi.org/10.1371/journal.pmed.1001381
11. Kirmaryr M, Quilodán C, Valente B, Loezar C, Garegnani L, Ariel-Franco JV. Metodología GRADE, parte I: cómo evaluar la certeza de la evidencia. Medwave. 2021 [acceso 29/07/2025];21(02):e8109. Disponible en: https://www.medwave.cl/medios/medwave/Marzo2021/PDF/medwave-2021-02-8109.pdf
12. Lu B, Shi Y, Wang M, Jin C, Liu C, Pan X, Chen X. Development of a clinical prediction model for poor treatment outcomes in the intensive phase in patients with initial treatment of pulmonary tuberculosis. Front Med (Lausanne). 2025;12:1472295. DOI: https://doi.org/10.3389/fmed.2025.1472295
13. Mahawan N, Rattananupong T, Sri-Uam P, Jiamjarasrangsi W. Performance of five dynamic models in predicting tuberculosis incidence in three prisons in Thailand. PLoS One. 2025 [acceso 31/07/2025];20(1):e0318089. DOI: https://doi.org/10.1371/journal.pone.0318089
14. Marambire ET, Kabali E, Naicker N. Prediction models for Mtb infection among adolescent and adult household contacts. PLOS Glob Public Health. 2025;5(1):e0004340. DOI: https://doi.org/10.1371/journal.pgph.0004340
15. Testagrose C, Pandey S, Serajian M. Leveraging large language models to predict antibiotic resistance in Mycobacterium tuberculosis. Bioinformatics [Internet]. 2025 [acceso 31/07/2025];41(Supplement_1):i40-8. DOI: https://doi.org/10.1093/bioinformatics/btaf232
16. Ghermi M, Messedi M, Adida C. TubIAgnosis: A machine learning-based web application for active tuberculosis diagnosis using complete blood count data. Digit Health. 2024;10:20552076241278211. DOI: https://doi.org/10.1177/20552076241278211
17. Karmani P, Chandio AA, Korejo IA, Samuel OW, Aborokbah M. Machine learning based tuberculosis (ML-TB) health predictor model. PeerJ Comput Sci. 2024;10:e2397. DOI: https://doi.org/10.7717/peerj-cs.2397
18. Zhu Q, Liu J. A. A united model for diagnosing pulmonary tuberculosis with random forest and artificial neural network. Front Genet. 2023;14:1094099. DOI: https://doi.org/10.3389/fgene.2023.1094099
19. Hall MB, Lima L, Coin LJM, Iqbal Z. Drug resistance prediction for Mycobacterium tuberculosis with reference graphs. Microb Genom. 2023;9(8):mgen001081. DOI: https://doi.org/10.1099/mgen.0.001081
20. Rashidi HH, Khan IH, Dang LT. Prediction of tuberculosis using an automated machine learning platform for models trained on synthetic data. J Pathol Inform. 2022;13:10. DOI: https://doi.org/10.4103/jpi.jpi_75_21
21. Navarro-Ballester A, Marco-Domenech SF, Fernández García P. Modelo predictivo clínico-radiológico para diagnosticar tuberculosis pulmonar activa. Rev Chil Radiol. 2019;25(2):47-59. DOI: https://doi.org/10.4067/S0717-93082019000200047
22. Riza AL, Pearson F, Ugarte-Gil C, Alisjahbana B, van de Vijver S, Panduru NM, et al. Clinical management of concurrent diabetes and tuberculosis and the implications for patient services. Lancet Diabetes Endocrinol. 2024 [acceso 31/07/2025];12(7):501-12. Disponible en: https://www.thelancet.com/journals/landia/article/PIIS2213-8587(24)00135-0/fulltext
23. Baker MA, Harries AD, Jeon CY, Hart JE, Kapur A, Lönnroth K, et al. The impact of diabetes on tuberculosis treatment outcomes: a systematic review. BMC Med. 2023 [acceso 31/07/2025];21(1):345. Disponible en: https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-023-03043-4
24. Cicek C, Velayati AA, Farnia P. Cavitary tuberculosis: the gateway of disease transmission. Int J Mycobacteriol. 2024 [acceso 31/07/2025];13(2):156-64. Disponible en: https://www.ijmyco.org/article.asp?issn=2212-5531
25. Park JS, Lee JH, Kim JH, Kang HK, Lee SM, Yim JJ, et al. Outcomes of extended duration therapy for drug-susceptible cavitary pulmonary tuberculosis. Ann Transl Med. 2023 [acceso 31/07/2025];11(8):295. Disponible en: https://atm.amegroups.org/article/view/112458
26. Kashyap RS, Kainthla RP, Mudaliar AV, Purohit HJ. Endobronchial tuberculosis. Indian J Med Res. 2024 [acceso 31/07/2025];159(3):298-306. Disponible en: https://journals.lww.com/ijmr/fulltext/2024/03000/endobronchial_tuberculosis.6.aspx
27. Ahmed A, Meintjes G, Variava E, Naidu K, Dunbar R, Mthiyane T, et al. Treatment outcomes among HIV-infected adults with tuberculosis in South Africa. PLoS One. 2023 [acceso 31/07/2025];18(4):e0284532. Disponible en: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0284532
28. Yen YF, Chuang PH, Yen MY, Lin SY, Chuang P. Association of tobacco use with tuberculosis mortality: a population-based cohort study. Chest. 2022 [acceso 31/07/2025];162(4):876-85. Disponible en: https://journal.chestnet.org/article/S0012-3692(22)01059-4/fulltext
29. Millington KA, Innes JA, Hackforth S, Hinks TS, Deeks JJ, Dosanjh DP, et al. Dynamic relationship between IFN-gamma and IL-2 profile of mycobacterium tuberculosis-specific T cells and antigen load. J Immunol. 2021 [acceso 31/07/2025];207(8):2092-105. Disponible en: https://www.jimmunol.org/content/207/8/2092
30. Shah V, Kapoor A, Singh N, Sharma R. Nutritional supplementation in tuberculosis treatment: a mixed methods study of clinical outcomes and patient perceptions. Cureus. [acceso 31/07/2025]. Disponible en: https://www.cureus.com/articles/298551-nutritional-supplementation-in-tuberculosis-treatment
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Martín del Río Sánchez, Omarys Loyola Cabrera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
La Revista Cubana de Medicina protege los derechos patrimoniales del autor. Sin embargo, se encuentra bajo una
Licencia Creative Commons https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES que permite el uso, distribución y reproducción no comercial y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación. El autor conserva siempre su derecho moral.
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material
- La licencia no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
- Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No Comercial — Usted no puede hacer uso del material con propósitos comerciales.
- No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
