Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar

Detalhes bibliográficos
Autor(a) principal: Oliveira, Yuri Almeida de
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/48787
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Ciências Médicas, 2024.
id UNB_0bc73c0279fc3610477f21e2fcd554cc
oai_identifier_str oai:repositorio.unb.br:10482/48787
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalarInteligência artificialAprendizado de máquinaCovid-19Registros eletrônicos de saúdeDissertação (mestrado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Ciências Médicas, 2024.Introdução: Em 2019 a COVID-19 iniciou um dos maiores desafios sanitários da história, atingindo a condição de pandemia já no ano seguinte. De acordo com dados da Organização Mundial da Saúde (OMS), até outubro de 2023 havia 771.151.224 casos confirmados e 6.960.783 mortes diretas. O elevado número de casos simultâneos, aliado à grande quantidade de casos graves, levou ao colapso dos sistemas de saúde. Sistemas capazes de prever indivíduos com maior risco de evoluir para a forma grave da doença poderiam otimizar a alocação e direcionamento de recursos. Assim, diversos estudos foram publicados na tentativa de encontrar preditores baseados em inteligência artificial (IA) para, por meio de dados demográficos, clínicos, laboratoriais e de imagem médica, encontrar os indivíduos mais susceptíveis a evolução desfavorável pela doença. Objetivos: analisar o desempenho de algoritmos baseados em Aprendizado de Máquina (AM) como preditores de evolução durante internação hospitalar em pacientes com COVID-19, utilizando dados da admissão hospitalar. Metodologia: foram utilizados dados coletados em uma coorte prospectiva e multicêntrica de pacientes internados por COVID-19. Os dados da admissão hospitalar e do desfecho foram pré-processados, levando em consideração a disponibilidade dos dados entre os participantes do estudo e relevância clínica. Por meio de experimentação, diversos algoritmos baseados em IA foram aplicados e os melhores foram validados utilizando Validação Cruzada de Monte Carlo. Resultados: classificadores baseados em IA foram capazes de prever, com 80% de acurácia, quais indivíduos evoluiriam com desfecho desfavorável ou não. Destaca-se o Random Forest Classifier, com Área sob a Curva (AUC) de 91%, valores preditivos positivos e negativos de 81% e 79%, respectivamente, e sensibilidade e especificidade de 46% e 95%. Sem prejuízo significativo na acurácia, a Classificação por Vetor de Suporte (SVC) atingiu valor preditivo positivo de 87% e especificidade de 97%, adequado para situações em que uma pequena quantidade de falso positivos é preferível. Conclusão: é possível utilizar algoritmos baseados em AM para predizer evolução clínica desfavorável durante a internação pela COVID-19 com acurácia satisfatória.Introduction: In 2019, COVID-19 began one of the greatest public health challenges in history, reaching pandemic status the following year. By October 2023, there were 771,151,224 confirmed cases and 6,960,783 direct deaths. The high number of simultaneous cases, coupled with a large number of severe cases, led to the collapse of health systems. Systems capable of predicting individuals at higher risk of progressing to severe forms of the disease could optimize the allocation and direction of resources. Thus, various studies have been published in an attempt to find predictors based on artificial intelligence that, through demographic, clinical, laboratory, and medical imaging data, could identify individuals most susceptible to unfavorable disease progression. Objectives: to analyze the performance of Machine Learning (ML) based algorithms as predictors of clinical outcomes during hospitalization in COVID-19 patients, using hospital admission data. Methodology: data collected from a prospective, multicenter cohort of hospitalized COVID-19 patients were used. Admission and outcome data were pre-processed, taking into account the availability of data among study participants and clinical relevance. Through experimentation, various artificial intelligence based algorithms were applied, and the best were validated using Monte Carlo Cross-Validation. Results: artificial intelligence-based classifiers were successfully developed, achieving an 80% accuracy rate in predicting individuals’ progression towards unfavorable outcomes. Random Forest Classifier stands out with an Area Under the ROC Curve (AUC) of 91%, and positive and negative predictive values of 81% and 79%, respectively. Additionally, it exhibited a sensitivity of 46% and a specificity of 95%. Without significant detriment to accuracy, the Support Vector Classification (SVC) achieved a positive predictive value of 87% and specificity of 97%, rates that are suitable for situations where a small number of false positives is preferable. Conclusion: it is possible to use machine learning-based algorithms to predict unfavorable clinical outcomes during hospitalization for COVID-19 with satisfactory accuracy.Faculdade de Medicina (FMD)Programa de Pós-Graduação em Ciências MédicasFerreira, Vânia Maria MoraesOliveira, Yuri Almeida de2024-07-12T02:30:03Z2024-07-12T02:30:03Z2024-07-112024-05-29info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfOLIVEIRA, Yuri Almeida de. Morbiletalidade na Covid-19: uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar. 2024. 77 f., il. Dissertação (Mestrado em Ciências Médicas) — Universidade de Brasília, Brasília, 2024.http://repositorio2.unb.br/jspui/handle/10482/48787porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-10-24T17:01:16Zoai:repositorio.unb.br:10482/48787Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-10-24T17:01:16Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
title Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
spellingShingle Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
Oliveira, Yuri Almeida de
Inteligência artificial
Aprendizado de máquina
Covid-19
Registros eletrônicos de saúde
title_short Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
title_full Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
title_fullStr Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
title_full_unstemmed Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
title_sort Morbiletalidade na Covid-19 : uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar
author Oliveira, Yuri Almeida de
author_facet Oliveira, Yuri Almeida de
author_role author
dc.contributor.none.fl_str_mv Ferreira, Vânia Maria Moraes
dc.contributor.author.fl_str_mv Oliveira, Yuri Almeida de
dc.subject.por.fl_str_mv Inteligência artificial
Aprendizado de máquina
Covid-19
Registros eletrônicos de saúde
topic Inteligência artificial
Aprendizado de máquina
Covid-19
Registros eletrônicos de saúde
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Ciências Médicas, 2024.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-12T02:30:03Z
2024-07-12T02:30:03Z
2024-07-11
2024-05-29
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv OLIVEIRA, Yuri Almeida de. Morbiletalidade na Covid-19: uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar. 2024. 77 f., il. Dissertação (Mestrado em Ciências Médicas) — Universidade de Brasília, Brasília, 2024.
http://repositorio2.unb.br/jspui/handle/10482/48787
identifier_str_mv OLIVEIRA, Yuri Almeida de. Morbiletalidade na Covid-19: uso de inteligência artificial para predição do desfecho clínico a partir de dados clínicos da admissão hospitalar. 2024. 77 f., il. Dissertação (Mestrado em Ciências Médicas) — Universidade de Brasília, Brasília, 2024.
url http://repositorio2.unb.br/jspui/handle/10482/48787
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1824043870069981184

Registros relacionados