notícias

Machine learning na saúde ajuda a entender mortalidade por Covid-19

Calculadora on-line desenvolvida por machine learning aponta pacientes que possuem maior risco de morte após alta hospitalar por Covid-19

por Saúde Debate, com informações da Capesesp

11/01/2022
Sobre: Machine learning na saúde impacta as análises e a tomada de decisões
Créditos: Rawpixel / Freepik

O Machine Learning na saúde - ou seja o "aprendizado de máquinas" por meio da Inteligência Artificial - vem sendo cada vez mais aplicado no setor como forma de ajudar na tomada de decisões. Isto porque o machine learning na saúde processa uma grande informação de dados, usados para obter experiência e, assim, auxiliar em uma série de tarefas, entre elas diagnósticos e análise de informações.


Um estudo realizado pelos médicos João Paulo dos Reis Neto, diretor-presidente da CAPESESP - Caixa de Previdência e Assistência aos Servidores da Fundação Nacional de Saúde -, e Juliana Martinho Busch, diretora de Previdência e Assistência da entidade, demonstrou que o risco de morte após alta hospitalar devido à infecção por Covid-19 é maior em idosos acima dos 60 anos, pessoas com comorbidades preexistentes, que tenham permanecido na UTI durante a internação hospitalar e ou com tempo de internação superior a 14 dias.


Leia também - Inteligência Artificial na Saúde: iniciativas para prevenção e diagnóstico


Leia também - Inteligência Artificial na saúde: tempo de resposta e atuação mais rápidos


Os dirigentes realizaram uma análise retrospectiva do banco de dados administrativos de mais de 37 mil beneficiários vinculados ao plano de saúde, no período de março de 2020 a maio de 2021, com acompanhamento mensal de 810 pacientes internados com Covid-19. Desse total, 125 faleceram depois de receberem alta, em média, nove meses depois.


O desempenho do modelo foi avaliado por meio da métrica Índice de Concordância (Índice C). O objetivo do estudo é auxiliar na triagem de pessoas que precisam de cuidados especializados após a hospitalização. A análise de sobrevivência utilizou o sistema Cox Ridge Penalized Regression (CRPR), Gradient Boost Survival (GBS) and Random Survival Forest (RFS) da biblioteca Python scikit-survival, com separação em conjuntos de treinamento e de base de teste, e proporções de 75% e 25%, respectivamente. As variáveis foram idade, sexo, presença de comorbidade anterior à internação, histórico positivo para neoplasia, hospitalização por mais de 14 dias ou permanência na unidade de terapia intensiva (UTI).


“A calculadora de risco que desenvolvemos é única e adequada para prever os beneficiários que apresentam maior risco de morte após a alta hospitalar por Covid-19 e, também, para identificar indivíduos que devem prioritariamente receber cuidados especiais durante a fase de convalescença”, explica João Paulo.


Segundo Juliana Busch, “os modelos utilizando machine learning na saude são tão bons quanto mais volume de dados possa ser avaliado, por isso, a calculadora deve ser continuamente ajustada e calibrada na medida que aumentarmos a quantidade de dados coletados”, finaliza.


Leia também - Como a Inteligência Artificial e a tecnologia estão transformando a saúde


leia também