Aplicação de machine learning na predição do prognóstico da COVID-19 em pacientes hospitalizados: uma revisão sistemática

Auteurs

Mots-clés :

COVID-19, Machine Learning, Prognóstico

Résumé

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.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Bibliographies de l'auteur

Alexandre Negrão Pantaleão, Universidade Federal de Minas Gerais

Acadêmico do curso de Medicina da Universidade Federal de Minas Gerais (UFMG).

Carolina Sant' Anna Filipin, Universidade Federal de Minas Gerais

Acadêmica do curso de Medicina da Universidade Federal de Minas Gerais (UFMG).

Larissa Braga Costa, Universidade Federal de Minas Gerais

Acadêmica do curso de Medicina da Universidade Federal de Minas Gerais.

Luíza Coimbra Teixeira, Universidade Federal dos Vales do Jequitinhonha e Mucuri

Acadêmica do curso de Medicina da Universidade Federal dos Vales do Jequitinhonha e Mucuri.

Renata Araujo Avendanha, Universidade Federal de Minas Gerais

Acadêmica do curso de Medicina da Universidade Federal de Minas Gerais (UFMG).

Tainara Lima Fernandes, Universidade Federal de Minas Gerais

Acadêmica do curso de Medicina da Universidade Federal de Minas Gerais (UFMG).

Juliano Gaspar, Universidade Federal de Minas Gerais

Doutor em Informática em Saúde pela Faculdade de Medicina da UFMG. Faz parte do CINS (Centro de Informática em Saúde da Faculdade de Medicina da UFMG) e membro do CINTESIS (Centro de Investigação em Tecnologias e Sistemas de Informação em Saúde da Faculdade de Medicina da Universidade do Porto, Portugal). Trabalha há 22 anos na área de informática, como programador, analista de sistemas pleno e gestor de projetos.

Zilma Silveira Nogueira Reis, Universidade Federal de Minas Gerais

Doutora em Medicina pela UFMG e docente na mesma instituição. Pesquisadora do Center for Health Technology and Services Research (CINTESIS - Portugal) desde 2011. Coordena o Centro de Informática Médica da Faculdade de Medicina da UFMG desde 2012. Coordenadora de Educação e Difusão do Conhecimento do Centro de Inovação e Inteligência Artificial para Saúde da UFMG.

Références

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

Téléchargements

Publiée

2022-03-14