Modelos de Machine Learning têm a capacidade de prever a possibilidade de doença crítica ou mortalidade em pacientes com COVID-19, de acordo com um estudo do Journal of Medicine Internet Research (JMIR).
Pesquisadores do hospital Mount Sinai, em Nova York, analisaram dados de registros de saúde de mais de 4.000 pacientes adultos COVID-19 internados para prever eventos críticos ou mortalidade em três, cinco, sete e dez dias a partir da admissão.
A equipe procurou estudar as características dos pacientes na admissão e acessar o desempenho de modelos de Machine Learning em vários hospitais e momentos.
As informações do paciente incluem história médica passada, comorbidades, sinais vitais e resultados de exames laboratoriais de admissão. Esses dados permitem que pesquisadores possam prever eventos críticos, incluindo intubação e mortalidade, sem janelas de tempo clinicamente relevantes.
O modelo de aprendizado de máquina, classificador XGBoost, superou os modelos de linha de base para mortalidade, com resultados de 0,89 em 3 dias, 0,79 em 5 dias, 0,80 em 7 dias e 0,84 em 10 dias.
Na primeira semana, lesão renal aguda, respiração rápida, açúcar elevado no sangue e desidrogenase lática elevada foram os fatores mais fortes na previsão de doenças críticas.
Por outro lado, a idade avançada, o desequilíbrio dos níveis sanguíneos e os níveis de proteína C reativa foram os principais fatores na previsão da mortalidade.
Previsão de resultados
No geral, o modelo de Machine Learning identificou pacientes em risco e descobriu relações subjacentes que previram resultados, disseram os pesquisadores.
“Criamos modelos preditivos de alto desempenho usando Machine Learning para melhorar o atendimento de nossos pacientes no Monte Sinai”, disse Girish Nadkarni, diretor clínico do Hasso Plattner Institute para a saúde digital no Monte Sinai, em um comunicado à imprensa.
“O mais importante é que criamos um método que identifica marcadores de saúde que geram estimativas de probabilidade para prognóstico de tratamento agudo e pode ser usado por instituições de saúde em todo o mundo para melhorar as decisões de tratamento, tanto em nível médico quanto hospitalar, e gerenciar pacientes de forma mais eficaz com COVID-19. ”
Segundo a observação dos pesquisadores, pacientes com COVID-19 apresentam sintomas variados, o que muitas vezes pode dificultar a triagem eficaz do paciente, observaram os pesquisadores. Embora alguns pacientes sejam assintomáticos, outros apresentam síndrome do desconforto respiratório agudo grave, insuficiência multiorgânica ou morte.
Identificar as principais características do paciente é importante porque promove aos médicos e hospitais a capacidade de prever a trajetória da doença e aproveitar seus recursos de forma eficiente para melhorar os resultados dos pacientes.
Necessidade para o ambiente hospitalar
Quando a pandemia COVID-19 começou a se espalhar rapidamente pelo mundo, os hospitais tiveram que descobrir como prever, com precisão, o número de pacientes que precisariam de hospitalização, tratamento na unidade de terapia intensiva, por quanto tempo os pacientes iriam ficar e quanto equipamento de proteção individual seria necessário. Para combater esses problemas, as principais organizações de saúde trabalharam para desenvolver diferentes plataformas de Machine Learning para prever as necessidades de pessoal, os volumes de hospitalização e a taxa de casos COVID-19 confirmados.
Em meados de agosto, o Cedars-Sinai desenvolveu uma ferramenta de Machine Learning para ajudar a antecipar e se preparar para aumentar os volumes de pacientes COVID-19 com 85% a 95% de precisão.
O modelo pretendia otimizar a forma como o atendimento é prestado no hospital, incluindo pontos de dados sobre os sinais vitais dos pacientes e seu tempo de internação, para prever os tratamentos mais eficazes para os pacientes.
A plataforma também pode apontar a probabilidade de um paciente ser readmitido e os pacientes que ficarão mais satisfeitos com sua experiência no hospital.
Os novos resultados positivos do modelo de Machine Learning do Monte Sinai mostram o progresso que o setor de saúde como um todo fez no desenvolvimento dessas tecnologias para combater a pandemia e aprimorar o atendimento centrado no paciente.
“Nós construímos modelos de Machine Learning usando dados do paciente para prever resultados”, disse Benjamin Glicksberg, PhD, professor assistente de genética e ciências genômicas na Escola de Medicina Icahn no Monte Sinai e um dos principais investigadores do estudo, no comunicado à imprensa.
“Agora, nos estágios iniciais de uma segunda onda, estamos muito mais bem preparados do que antes. No momento, estamos avaliando como esses modelos podem ajudar os profissionais clínicos a gerenciar o cuidado de seus pacientes na prática”.
Este artigo foi traduzido do Hit Infrastructure
Conheça as soluções para a área da saúde que a dataRain fornece!
