Previsão de desfecho para pacientes internados com covid-19
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1362Palavras-chave:
Explainable, Desfecho COVID-19, Machine LearningResumo
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.
Referências
Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: Data mining, inference, and prediction. In Springer, chapter 15; 2009.
Quinlan J R. Induction of decision trees. Machine Learning. 1986;1(1):81–106.
Breiman L. Random Forests. Machine Learning. 2001; 45 (1):5–32.
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.
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.
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.
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.
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.
Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. 2002;16: 321–357.
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.
Liu H, Motoda, H. Perspectives of Feature Selection. Springer US, Boston, MA. 1998; 17-41.
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
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
