Modelos de aprendizado de máquina para a predição do agravamento do quadro clínico de pacientes com a Covid-19

• Ano de defesa: 2023
• Autor(a) principal: Holanda, Wallace Duarte de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/74562/001300000c8dr
• Idioma: por
• Instituição de defesa: Centro de Ciências Exatas e Naturais - CCEN; Brasil; UFERSA; Universidade Federal Rural do Semi-Árido; Programa de Pós-Graduação em Ciência da Computação
• Palavras-chave em Português: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; aprendizado de máquina; Covid-19; risco de mortalidade; risco de internação; modelo preditivo; machine learning; mortality risk; hospitalization risk; predictive model
• Link de acesso: http://lattes.cnpq.br/0874512534640296; https://repositorio.ufersa.edu.br/handle/prefix/12093

Desde o início da pandemia do novo coronavírus, houve um aumento nos índices de internação e mortalidade em todo o mundo. Os altos índices podem ser compreendidos diante da disseminação da doença e a dificuldade em identificar os pacientes com maior risco de agravamento do quadro clínico. A partir de um Mapeamento Sistemático da Literatura (MSL) foi observado que em meio a essa dificuldade, a utilização de modelos preditivos baseados em aprendizado de máquina se caracteriza como uma forma de auxiliar no prognóstico e na alocação antecipada de recursos para o tratamento dos pacientes. Neste estudo foram desenvolvidos dois modelos, direcionados na predição da internação e mortalidade de pacientes com a COVID-19. Para isso, foram avaliados 14 algoritmos, com destaque aos algoritmos AdaBoost, Logistic Regression, Random Forest e Gradient Boosting, que alcançaram os melhores resultados. Para o treinamento dos modelos foram utilizados dados demográficos, histórico de vacinação, sintomas e comorbidades de pacientes com casos suspeitos de COVID-19 atendidos em hospitais de São Paulo. Ao avaliar o desempenho desses algoritmos, foi observado que os modelos desenvolvidos a partir do algoritmo Gradient Boosting obtiveram os melhores resultados, alcançando uma acurácia de 83% e AUC (Area Under Curve) de 0.89 na predição da mortalidade, e acurácia de 71% e AUC de 0.75 na predição da internação. Também foi identificado que a idade avançada, a falta de ar e ausência de vacinação foram os principais fatores atrelados ao agravamento do quadro clínico. Por fim, visando demonstrar como os modelos propostos poderiam ser utilizados na prática pelos profissionais da Saúde, uma aplicação Web foi desenvolvida