Uso de machine learning para predizer suscetibilidade a antibióticos através de dados de pacientes hospitalizados

• Ano de defesa: 2023
• Autor(a) principal: Silveira, Brenda Petro
• Orientador(a): Pilger, Diogo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Farmacorresistência bacteriana; Testes de sensibilidade microbiana; Aprendizado de máquina; Aprendizado de máquina supervisionado; Inteligência artificial
• Palavras-chave em Inglês: Drug Resistance; Bacterial; Microbial sensitivity tests; Machine learning; Supervised machine learning; Artificial intelligence
• Link de acesso: http://hdl.handle.net/10183/263438

A farmacorresistência bacteriana representa uma ameaça à saúde global, por isso necessita de ações para reduzir seus impactos na mortalidade e na economia. As técnicas de aprendizado de máquina, um campo da Inteligência Artificial, demonstraram um bom potencial na previsão de resistência antimicrobiana, orientando assim a seleção da terapia empírica, muitas vezes crucial para o paciente hospitalizado. Dessa forma, objetivou-se aplicar algoritmos de aprendizado de máquina supervisionado para prever o resultado do teste de sensibilidade microbiana em pacientes hospitalizados. Para tanto, analisou-se retrospectivamente as informações do Prontuário Eletrônico e do Laboratório de Microbiologia de pacientes com cultura bacteriana positiva, de todas as idades, internados no Hospital Nossa Senhora da Conceição no período de abril a junho de 2022. Os dados foram utilizados para treinar 3 algoritmos de aprendizado supervisionado (Gradient Boosting, Logistic Regression e Random Forest) na predição da suscetibilidade de bactérias a doze antimicrobianos. Um teste de permutação e a análise SHAP (Shapley Additive Explanations) foi realizada para avaliar as variáveis que são mais importantes para a predição e como elas contribuem para o desfecho. Essas análises foram conduzidas para o meropeném, trimetoprima/sulfametoxazol e vancomicina. Obteve-se uma AUC máxima de 0,986 para o algoritmo Random Forest, ao prever a suscetibilidade das bactérias à vancomicina, embora os outros 2 modelos tenham apresentado bons resultados (0,585-0,986). Para meropeném e vancomicina, o Gram foi a característica mais importante, enquanto o espécime clínico foi o mais relevante para trimetoprima/sulfametoxazol, no teste de permutação. Nas análises SHAP, Gram também contribuiu mais para não suscetibilidade ao meropeném e vancomicina, além disso, dias desde a admissão no hospital até a coleta do espécime clínico contribuem mais para não suscetibilidade ao trimetoprim/sulfametoxazol. Mesmo com um pequeno conjunto de dados, os achados deste estudo corroboram com outras pesquisas demonstrando que o aprendizado de máquina, juntamente com informações demográficas e laboratoriais, podem predizer a resistência antimicrobiana, ajudando assim a melhorar a seleção da terapia empírica.