Previsão de desfecho para pacientes internados com covid-19

Autores

  • Vitoria Martins Rios State University of Rio de Janeiro
  • Matheus Figueiredo Nunes de Carvalho Posto de Saúde Municipal de Maricá
  • Rafaell Dutra Ramos Hospital Federal da Lagoa
  • Thiago Medeiros Carvalho State University of Rio de Janeiro
  • Cristiane Oliveira Faria State University of Rio de Janeiro
  • Karla Tereza Figueiredo Leite State University of Rio de Janeiro https://orcid.org/0000-0001-8420-3937

DOI:

https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1362

Palavras-chave:

Explainable, Desfecho COVID-19, Machine Learning

Resumo

Objetivo: Este estudo tem como objetivo avaliar a eficácia de modelos de Machine Learning (ML) na previsão de desfechos para pacientes diagnosticados com COVID-19 considerando dados de prontuários e exames. Método: Foram investigados diversos algoritmos de ML e técnicas Explainable em dados de evolução clínica dos pacientes internados no Hospital Universitário Pedro Ernesto (HUPE) durante os anos de 2020 e 2021. Resultados: O modelo Random Forest foi considerado o mais eficiente, com uma acurácia de 74% na etapa de validação. Além disso, técnicas baseadas em Explainable Artificial Intelligence mostram que alterações no número de bastões e a prescrição de noradrenalina foram as variáveis que tiveram maior impacto na previsão de desfechos. Conclusão: Os resultados incentivam instituições de saúde a usarem métodos baseados em apoio à decisão para organizarem ou mesmo priorizarem o atendimento de seus pacientes.

Biografia do Autor

Vitoria Martins Rios, State University of Rio de Janeiro

Undergraduate Student, Mathematical and Statistics Institute, State University of Rio de Janeiro, Rio de Janeiro (RJ), Brazil

Matheus Figueiredo Nunes de Carvalho, Posto de Saúde Municipal de Maricá

M.D., Posto de Saúde Municipal de Maricá, Rio de Janeiro (RJ), Brazil

Rafaell Dutra Ramos, Hospital Federal da Lagoa

M.D., Hospital Federal da Lagoa, Rio de Janeiro (RJ), Brazil.

Thiago Medeiros Carvalho, State University of Rio de Janeiro

PhD Student/Lecturer, Mathematical and Statistics Institute, State University of Rio de Janeiro, Rio de Janeiro (RJ), Brazil

Cristiane Oliveira Faria, State University of Rio de Janeiro

PhD/Associate Professor, Mathematical and Statistics Institute, State University of Rio de Janeiro, Rio de Janeiro (RJ), Brazil.

Karla Tereza Figueiredo Leite, State University of Rio de Janeiro

PhD / Associate Professor, Mathematical and Statistics Institute, State University of Rio de Janeiro, Rio de Janeiro (RJ), Brazil.

Referências

Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: Data mining, inference, and prediction. In Springer, chapter 15; 2009. DOI: https://doi.org/10.1007/978-0-387-84858-7

Quinlan J R. Induction of decision trees. Machine Learning. 1986;1(1):81–106. DOI: https://doi.org/10.1007/BF00116251

Breiman L. Random Forests. Machine Learning. 2001; 45 (1):5–32. DOI: https://doi.org/10.1023/A:1010933404324

Chen T, Guestrin C. Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD’16, New York, NY, USA. Association for Computing Machinery. 2016; 785–794. DOI: https://doi.org/10.1145/2939672.2939785

Fukushima K, Miyake S. Neocognitron: A Self-Organizing Neural Network Model for a Mechanism of Visual Pattern Recognition. Competition and Cooperation in Neural Nets. Lecture Notes in Biomathematics. v 45. Springer. 1986;267–285. DOI: https://doi.org/10.1007/978-3-642-46466-9_18

Haykin S. Redes Neurais. 2ed. Bookman; 2001.

Lundberg SM, Lee S-I. A unified approach to interpreting model predictions. In Guyon, I., Luxburg, U. V., Bengio, S., Wallach, H., Fergus, R., Vishwanathan, S., and Garnett, R., editors, Advances in Neural Information Processing Systems. Curran Associates, Inc.; v.30; 2017.

Silva AO, Santos BS, Tondato R, Lima RHP. Uso de machine learning para previsão da evolução de casos de srag incluindo casos de COVID-19 considerando variáveis clínicas e demográficas. Trabalho de conclusão de curso. Universidade Tecnológica Federal do Paraná (RIUT); 2021.

Wollenstein-Betech S, Silva AAB, Fleck JL, Cassandras CG, Paschalidis IC. Physiological and socioeconomic characteristics predict COVID-19 mortality and resource utilization in Brazil. PLOS ONE; 2020;15(10):e0240346. DOI: https://doi.org/10.1371/journal.pone.0240346

Hu C, Liu Z, Jiang Y, Shi O, Zhang X, Xu K, Suo C, Wang Q, Song Y, Yu K, Mao X, Wu X, Wu M, Shi T, Jiang W, Mu L, Tully DC, Xu L, Jin L, Li S, Tao X, Zhang T, Chen X. Early prediction of mortality risk among patients with severe COVID-19, using machine learning. International Journal of Epidemiology. 2020; 49(6):1918–1929. DOI: https://doi.org/10.1093/ije/dyaa171

Hastie T, tibshirani R. Generalized Additive Models. Chapman & Hall/CRC Monographs on Statistics & Applied Probability. Taylor & Francis; 1990.

Stone M. Cross-Validatory Choice and Assessment of Statistical Predictions". Journal of the Royal Statistical Society, Series B (Methodological). 1974; 36 (2): 111–147. DOI: https://doi.org/10.1111/j.2517-6161.1974.tb00994.x

Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. 2002;16: 321–357. DOI: https://doi.org/10.1613/jair.953

Goutte C, Gaussier E. A probabilistic interpretation of precision, recall and f-score, with implication for evaluation. In Losada, D. E. and Fernández-Luna, J. M., editors, Advances in Information Retrieval. Springer Berlin Heidelberg. 2005; 345–359. DOI: https://doi.org/10.1007/978-3-540-31865-1_25

Liu H, Motoda, H. Perspectives of Feature Selection. Springer US, Boston, MA. 1998; 17-41. DOI: https://doi.org/10.1007/978-1-4615-5689-3_2

Holanda WD, Silva LC, César Sobrinho AAC. Estratégias Preditivas na Detecção do Agravamento do Quadro Clínico de Pacientes com COVID-19: Uma Revisão de Escopo J. Health Inform. 2021 Outubro-Dezembro; 13(4): 128-32.

Downloads

Publicado

19-11-2024

Como Citar

Rios, V. M., de Carvalho, M. F. N., Ramos, R. D., Carvalho, T. M., Faria, C. O., & Leite, K. T. F. (2024). Previsão de desfecho para pacientes internados com covid-19. Journal of Health Informatics, 16(Especial). https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1362

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)