Aplicação de machine learning na predição do prognóstico da COVID-19 em pacientes hospitalizados: uma revisão sistemática
Palavras-chave:
COVID-19, Machine Learning, PrognósticoResumo
Introdução: A pandemia da COVID-19 tem exaurido os sistemas de saúde e a utilização da inteligência artificial (IA) pode auxiliar na alocação de recursos humanos e financeiros nesse contexto. Objetivo: Analisar o uso de Machine Learning (ML) para predizer morte, internação em Unidade de Terapia Intensiva (UTI) e utilização de ventilação mecânica (VM) em pacientes hospitalizados com COVID-19. Método: Revisão sistemática seguindo o PRISMA. Bases consultadas: PUBMED, SCIELO, IEEE, COCHRANE, BVS e SCOPUS. Foram incluídos: estudos primários; COVID-19 confirmado por RT-PCR; pacientes hospitalizados; utilização de ML para predizer um dos prognósticos pré-definidos. Foram excluídos simulações, estudos de grupos específicos e/ou sem número de pacientes. Resultados: 18 estudos foram incluídos, sendo que analisaram os desfechos morte, internação em UTI e utilização de VM separadamente e/ou de maneira combinada. Obtiveram-se 22 valores de área sob a curva (AUC), sendo maior e menor valor: 1 e 0.66. As técnicas de ML utilizaram critérios clínicos, laboratoriais e/ou de imagem. Conclusão: Os modelos apresentaram bons resultados e podem auxiliar na predição do desfecho do paciente hospitalizado com COVID-19, melhorando assistência e alocação de recursos.
Downloads
Referências
Hopkins J. COVID-19 Content Portal [Internet]. 2022 [citado 13 de fevereiro de 2022]. Disponível em: https://systems.jhu.edu/research/public-health/ncov/
Brasil. Painel Coronavírus Brasil - DATASUS [Internet]. 2022 [citado 13 de fevereiro de 2022]. Disponível em: https://covid.saude.gov.br/
Ranzani OT, Bastos LSL, Gelli JGM, Marchesi JF, Baião F, Hamacher S, et al. Characterisation of the first 250 000 hospital admissions for COVID-19 in Brazil: a retrospective analysis of nationwide data. Lancet Respir Med. 1o de abril de 2021;9(4):407–18.
Reis ZSN, Gaspar J. Informação e Decisão em Saúde I. Vol. 1. UFMG; 2019. 123 p.
Deo RC. Machine Learning in Medicine. Circulation. 17 de novembro de 2015;132(20):1920–30.
Alimadadi A, Aryal S, Manandhar I, Munroe PB, Joe B, Cheng X. Artificial intelligence and machine learning to fight COVID-19. Physiol Genomics. 1o de abril de 2020;52(4):200–2.
Liberati A, Altman DG, Tetzlaff J, Mulrow C, Gøtzsche PC, Ioannidis JPA, et al. The PRISMA Statement for Reporting Systematic Reviews and Meta-Analyses of Studies That Evaluate Health Care Interventions: Explanation and Elaboration. PLoS Med. 21 de julho de 2009;6(7):e1000100.
Pantaleao AN. Prediction of COVID-19 prognosis using machine learning techniques: a systematic review. 2 de junho de 2021 [citado 4 de agosto de 2021]; Disponível em: https://www.protocols.io/view/prediction-of-covid-19-prognosis-using-machine-lea-bu3enyje
Brasil. Diretrizes metodológicas: elaboração de revisão sistemática e metanálise de estudos observacionais comporativos sobre fatores de risco e prognóstico [Internet]. Ministério da Saúde do Brasil; 2014 [citado 11 de agosto de 2021]. 132 p. Disponível em: https://bvsms.saude.gov.br/bvs/ct/PDF/diretrizes_metodologias_estudos_observacionais.pdf
Downs SH, Black N. The feasibility of creating a checklist for the assessment of the methodological quality both of randomised and non-randomised studies of health care interventions. J Epidemiol Community Health. junho de 1998;52(6):377–84.
Fernandes FT, de Oliveira TA, Teixeira CE, Batista AF de M, Dalla Costa G, Chiavegatto Filho ADP. A multipurpose machine learning approach to predict COVID-19 negative prognosis in São Paulo, Brazil. Sci Rep. 8 de fevereiro de 2021;11:3343.
Naseem M, Arshad H, Hashimi SA, Irfan F, Ahmed FS. Predicting mortality in SARS-COV-2 (COVID-19) positive patients in the inpatient setting using a Novel Deep Neural Network [Internet]. Infectious Diseases (except HIV/AIDS); 2020 dez [citado 8 de agosto de 2021]. Disponível em: http://medrxiv.org/lookup/doi/10.1101/2020.12.13.20247254
Guan X, Zhang B, Fu M, Li M, Yuan X, Zhu Y, et al. Clinical and inflammatory features based machine learning model for fatal risk prediction of hospitalized COVID-19 patients: results from a retrospective cohort study. Ann Med. 1o de janeiro de 2021;53(1):257–66.
Bolourani S, Brenner M, Wang P, McGinn T, Hirsch JS, Barnaby D, et al. A Machine Learning Prediction Model of Respiratory Failure Within 48 Hours of Patient Admission for COVID-19: Model Development and Validation. J Med Internet Res. 10 de fevereiro de 2021;23(2):e24246.
Ferrari D, Milic J, Tonelli R, Ghinelli F, Meschiari M, Volpi S, et al. Machine learning in predicting respiratory failure in patients with COVID-19 pneumonia—Challenges, strengths, and opportunities in a global health emergency. PLoS ONE. 12 de novembro de 2020;15(11):e0239172.
Heldt FS, Vizcaychipi MP, Peacock S, Cinelli M, McLachlan L, Andreotti F, et al. Early risk assessment for COVID-19 patients from emergency department data using machine learning. Sci Rep. 18 de fevereiro de 2021;11:4200.
Zhong A, Li X, Wu D, Ren H, Kim K, Kim Y, et al. Deep metric learning-based image retrieval system for chest radiograph and its clinical applications in COVID-19. Med Image Anal. maio de 2021;70:101993.
Rodriguez VA, Bhave S, Chen R, Pang C, Hripcsak G, Sengupta S, et al. Development and validation of prediction models for mechanical ventilation, renal replacement therapy, and readmission in COVID-19 patients. J Am Med Inform Assoc JAMIA. 11 de março de 2021;28(7):1480–8.
Mushtaq J, Pennella R, Lavalle S, Colarieti A, Steidler S, Martinenghi CMA, et al. Initial chest radiographs and artificial intelligence (AI) predict clinical outcomes in COVID-19 patients: analysis of 697 Italian patients. Eur Radiol. 2021;31(3):1770–9.
Woo SH, Rios-Diaz AJ, Kubey AA, Cheney-Peters DR, Ackermann LL, Chalikonda DM, et al. Development and Validation of a Web-Based Severe COVID-19 Risk Prediction Model. Am J Med Sci [Internet]. 23 de maio de 2021 [citado 8 de agosto de 2021]; Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8141270/
Schöning V, Liakoni E, Baumgartner C, Exadaktylos AK, Hautz WE, Atkinson A, et al. Development and validation of a prognostic COVID-19 severity assessment (COSA) score and machine learning models for patient triage at a tertiary hospital. J Transl Med. 5 de fevereiro de 2021;19:56.
Statsenko Y, Al Zahmi F, Habuza T, Gorkom KN-V, Zaki N. Prediction of COVID-19 severity using laboratory findings on admission: informative values, thresholds, ML model performance. BMJ Open. 26 de fevereiro de 2021;11(2):e044500.
Carpenter CR, Mudd P, West CP, Wilber E, Wilber ST. Diagnosing COVID‐19 in the Emergency Department: A Scoping Review of Clinical Exam, Labs, Imaging Accuracy and Biases. Acad Emerg Med. 16 de junho de 2020;10.1111/acem.14048.
Li X, Ge P, Zhu J, Li H, Graham J, Singer A, et al. Deep learning prediction of likelihood of ICU admission and mortality in COVID-19 patients using clinical variables. PeerJ. 6 de novembro de 2020;8:e10337.
Albahri AS, Hamid RA, Alwan J k., Al-qays ZT, Zaidan AA, Zaidan BB, et al. Role of biological Data Mining and Machine Learning Techniques in Detecting and Diagnosing the Novel Coronavirus (COVID-19): A Systematic Review. J Med Syst. 25 de maio de 2020;44(7):122.
Adamidi ES, Mitsis K, Nikita KS. Artificial intelligence in clinical care amidst COVID-19 pandemic: A systematic review. Comput Struct Biotechnol J. 7 de maio de 2021;19:2833–50.
Figliozzi S, Masci PG, Ahmadi N, Tondi L, Koutli E, Aimo A, et al. Predictors of adverse prognosis in COVID-19: A systematic review and meta-analysis. Eur J Clin Invest. 2020;e13362–e13362.
WHO. Ethics and governance of artificial intelligence for health: WHO guidance [Internet]. World Health Organization; 2021 [citado 11 de agosto de 2021]. 60 p. Disponível em: https://www.who.int/docs/default-source/documents/gs4dhdaa2a9f352b0445bafbc79ca799dce4d.pdf
Downloads
Publicado
Edição
Seção
Licença
Os originais aceitos e publicados tornam-se propriedade da Revista Brasileira de Tecnologias Educacionais em Saúde. A revista adota a Licença Creative Commons, CC BY-NC. É possível acessar, baixar (download), copiar, imprimir, compartilhar e distribuir os artigos publicados conosco, desde que para uso não comercial, mencionando a RESDITE e atribuindo os créditos de autoria. A revista permite que os autores distribuam a versão do trabalho publicada conosco (ex.: em repositórios institucionais), desde que seja reconhecida a autoria e a publicação inicial na RESDITE.
