Aplicação de machine learning na predição do prognóstico da Covid-19 em pacientes hospitalizados: uma revisão sistemática

• Autor(a) principal: Alexandre Negrão Pantaleão
• Data de Publicação: 2022
• Outros Autores: Carolina Sant'Anna Filipin, Larissa Braga Costa, Luiza Coimbra Teixeira, Renata Araujo Avendanha, Tainara Lima Fernandes, Juliano Gaspar, Zilma Silveira Nogueira Reis
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/60586; https://orcid.org/0000-0002-9008-5751; https://orcid.org/0000-0003-1191-8872; https://orcid.org/0000-0001-9708-2951; https://orcid.org/0000-0002-4983-3527; https://orcid.org/0000-0003-0670-9021; https://orcid.org/0000-0001-6374-9295
• topic: COVID-19; Machine learning; Prognóstico; COVID-19; Aprendizado de máquina; Prognóstico

Introdução: A pandemia da COVID-19 tem exaurido os sistemas de saúde e a utilização da inteligência artificial (IA) pode auxiliar na alocação de recursos humanos e financeiros nesse contexto. Objetivo: Analisar o uso de Machine Learning (ML) para predizer morte, internação em Unidade de Terapia Intensiva (UTI) e utilização de ventilação mecânica (VM) em pacientes hospitalizados com COVID-19. Método: Revisão sistemática seguindo o PRISMA. Bases consultadas: PUBMED, SCIELO, IEEE, COCHRANE, BVS e SCOPUS. Foram incluídos: estudos primários; COVID-19 confirmado por RT-PCR; pacientes hospitalizados; utilização de ML para predizer um dos prognósticos pré-definidos. Foram excluídos simulações, estudos de grupos específicos e/ou sem número de pacientes. Resultados: 18 estudos foram incluídos, sendo que analisaram os desfechos morte, internação em UTI e utilização de VM separadamente e/ou de maneira combinada. Obtiveram-se 22 valores de área sob a curva (AUC), sendo maior e menor valor: 1 e 0.66. As técnicas de ML utilizaram critérios clínicos, laboratoriais e/ou de imagem. Conclusão: Os modelos apresentaram bons resultados e podem auxiliar na predição do desfecho do paciente hospitalizado com COVID-19, melhorando assistência e alocação de recursos.