Predição de desfecho desfavorável em pacientes com COVID-19 usando técnicas de aprendizado de máquina.

Abstract

As vacinas contra a COVID-19, desenvolvidas e aprovadas para uso emergencial em tempo recorde, desempenharam um papel fundamental em reduzir o número de casos graves, hospitalizações e mortes. Contudo, o surgimento de variantes e subvariantes do SARS-CoV-2 em função das mutações do vírus, a perda gradual da imunidade induzida por vacinas ou infecção prévia, assim como o escape imune dessas variantes, propiciam a ocorrência de reinfecções e infecções disruptivas sintomáticas ou assintomáticas. O objetivo do presente estudo foi desenvolver modelos para prognóstico ou identificação precoce de pacientes com risco aumentado para desfecho desfavorável no atual cenário de predominância de variantes de preocupação e cobertura vacinal relativamente ampla. Dados de pacientes com COVID-19 hospitalizados durante a predominância da variante Ômicron e suas subvariantes foram extraídos da base de dados SIVEP-Gripe, visando detectar subgrupos mais vulneráveis que requerem maior atenção. Uma caracterização preliminar da base de dados foi realizada, objetivando entender e preparar os dados. Posteriormente, por meio de técnicas de aprendizado de máquina, foram criados modelos para predição de prognóstico desfavorável, bem como para identificar as variáveis mais associadas com tais desfechos. O conjunto de dados analisado continha 36 atributos e 107.138 registros que englobam dados sociodemográficos, sintomas, comorbidades, número de doses da vacina, admissão em UTI, necessidade de suporte ventilatório, além da evolução do caso. Os resultados demonstraram que o modelo com melhor desempenho, construído com o algoritmo Gradient Boosting Classifier, foi capaz de predizer a evolução do paciente com ROC-AUC de 0,82 e F1-Score de 0,72. As variáveis de predição mais importantes para o modelo foram o uso de suporte ventilatório, a idade e se o paciente foi admitido em UTI. O presente trabalho apresentou o desenvolvimento de um modelo de aprendizado de máquina para predição de mortalidade dos pacientes com COVID-19 em 2022 no Brasil. Através de modelagens sucessivas, incluindo abordagens de seleção de atributos, reamostragem e calibragem de parâmetros, foi possível direcionar os modelos na melhoria da precisão da classe de interesse, visando priorizar pacientes com prognóstico desfavorável.