Nos últimos anos, a inteligência artificial tem sido cada vez mais utilizada para auxiliar o diagnóstico e estimar o prognóstico de pacientes com diversas doenças — algo que também tem se mostrado promissor na covid-19.
Um estudo recém-publicado no periódico NatureScientific Reports mostra que modelos agregados de aprendizado de máquina(machine learning) são capazes de prever resultados negativos inespecíficos em pacientes com SARS-CoV-2 a partir de dados coletados rotineiramente. [1]
O trabalho foi desenvolvido pela equipe do Laboratório de Big Data e Análise Preditiva em Saúde (LABDAPS) da Faculdade de Saúde Pública da Universidade de São Paulo (USP). O grupo é coordenado pelo Dr. Alexandre Dias Porto Chiavegatto Filho, professor, economista, doutor em saúde pública pela USP, pós-doutor pela Harvard University e especialista em inteligência artificial aplicada à saúde.
Os autores usaram dados laboratoriais, clínicos e demográficos para treinar cinco algoritmos de aprendizado de máquina(artificial neural networks, extra trees, random forests, catboost e extreme gradient boosting). [2,3,4,5,6] O treinamento e a avaliação de desempenho das ferramentas foram feitos em uma amostra de 1.040 pacientes com covid-19 admitidos na Beneficência Portuguesa de São Paulo entre março e junho de 2020. Todos tiveram a infecção pelo SARS-CoV-2 confirmada por teste por reação em cadeia da polimerase (PCR, sigla do inglês Polymerase Chain Reaction). A maioria dos participantes era de homens (53,3%) e a média de idade era de 51,7 anos.
Parte da amostra (70%) foi utilizada para treinar os algoritmos de forma que eles fossem capazes de prever resultados negativos: ventilação mecânica, admissão na unidade de terapia intensiva (UTI) e óbito. A avaliação de desempenho das ferramentas foi feita com o restante dos participantes (30%). Inicialmente, os autores testaram o desempenho dos algoritmos para um resultado específico e depois avaliaram se os modelos agregados treinados com dois desfechos graves eram capazes de predizer outro desfecho grave não treinado.
Dos participantes analisados, 25,5% (N = 263) foram admitidos na UTI, 10,2% (N = 106) necessitaram de ventilação mecânica invasiva e 9,4% (N = 92) morreram.
O cientista da computação Fernando Fernandes, primeiro autor da pesquisa, explicou ao Medscape que o desempenho global dos modelos individuais e dos agregados foi estatisticamente similar, havendo sobreposição do intervalo de confiança da área abaixo da curva (AUC). Os resultados mostram que todos os algoritmos apresentaram desempenho preditivo muito alto (AUROC médio de 0,92; sensibilidade de 0,92; e especificidade de 0,82). Dos cinco algoritmos analisados, os três com melhor desempenho foram o random forests, o extra trees e o extreme gradient boosting (XGBoost).
Fonte: MEDscape
0 Comentários