Banca de DEFESA: Yuri Almeida de Oliveira

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Yuri Almeida de Oliveira
DATA : 29/05/2024
HORA: 09:00
LOCAL: Online - Plataforma TEAMS
TÍTULO:

MORBILETALIDADE NA COVID-19: USO DE INTELIGÊNCIA ARTIFICAL PARA PREDIÇÃO DO DESFECHO CLÍNICO A PARTIR DE DADOS CLÍNICOS DA ADMISSÃO HOSPITALAR

PALAVRAS-CHAVES:

inteligência artificial, aprendizado de máquina, COVID-19, predição de desfecho, dados clínicos

PÁGINAS: 76
RESUMO:

Introdução: Em 2019 a COVID-19 iniciou um dos maiores desafios sanitários da história, atingindo a condição de pandemia já no ano seguinte. De acordo com dados da Organização Mundial da Saúde (OMS), até outubro de 2023 havia 771.151.224 casos confirmados e 6.960.783 mortes diretas. O elevado número de casos simultâneos, aliado à grande quantidade de casos graves, levou ao colapso dos sistemas de saúde. Sistemas capazes de prever indivíduos com maior risco de evoluir para a forma grave da doença poderiam otimizar a alocação e direcionamento de recursos. Assim, diversos estudos foram publicados na tentativa de encontrar preditores baseados em inteligência artificial (IA) para, por meio de dados demográficos, clínicos, laboratoriais e de imagem médica, encontrar os indivíduos mais susceptíveis a evolução desfavorável pela doença. Objetivos: analisar o desempenho de algoritmos baseados em Aprendizado de Máquina (AM) como preditores de evolução durante internação hospitalar em pacientes com COVID-19, utilizando dados da admissão hospitalar. Metodologia: foram utilizados dados coletados em uma coorte prospectiva e multicêntrica de pacientes internados por COVID-19. Os dados da admissão hospitalar e do desfecho foram pré-processados, levando em consideração a disponibilidade dos dados entre os participantes do estudo e relevância clínica. Por meio de experimentação, diversos algoritmos baseados em IA foram aplicados e os melhores foram validados utilizando Validação Cruzada de Monte Carlo. Resultados: classificadores baseados em IA foram capazes de prever, com 80% de acurácia, quais indivíduos evoluiriam com desfecho desfavorável ou não. Destaca-se o Random Forest Classifier, com Área sob a Curva (AUC) de 91%, valores preditivos positivos e negativos de 81% e 79%, respectivamente, e sensibilidade e especificidade de 46% e 95%. Sem prejuízo significativo na acurácia, a Classificação por Vetor de Suporte (SVC) atingiu valor preditivo positivo de 87% e especificidade de 97%, adequado para situações em que uma pequena quantidade de falso positivos é preferível. Conclusão: é possível utilizar algoritmos baseados em AM para predizer evolução clínica desfavorável durante a internação pela COVID-19 com acurácia satisfatória.

MEMBROS DA BANCA:
Presidente - 2676451 - CIRO MARTINS GOMES
Externo ao Programa - 404943 - ADSON FERREIRA DA ROCHA - UnBExterna à Instituição - Juliana Tessari Dias Rohr - SES-DF
Externo à Instituição - TULIO FRADE REIS - OO