Pesquisadores criam modelo preditivo que identifica quadros graves de Covid

Seis pesquisadores do Instituto de Ciência e Tecnologia (ICT/Unifesp), da Escola Paulista de Medicina (EPM/Unifesp) e do Instituto Tecnológico da Aeronáutica (ITA) uniram técnicas do Aprendizado de Máquina (Machine Learning) e do geoprocessamento em saúde para estruturar um modelo capaz de identificar os fatores de risco que levam pacientes infectados com o coronavírus a quadros graves e à internação. A inovação, desenvolvida por Ana Carolina Lorena, Carlos Kiffer, Horácio Hideki Yanasse, Leila Abuabara, Luiz Leduíno de Salles e Maria Gabriela Valeriano, pode fornecer insights ainda mais precisos para gestores da área da saúde daqui para frente.

De maneira simplificada, um modelo preditivo trata-se de uma fórmula matemática que concentra uma grande quantidade de dados que, cruzados, indicam padrões e tendências futuras sobre os mais diferentes problemas, como a disseminação de doenças. Para esse modelo específico, os pesquisadores se basearam no diagnóstico de mais de 255 mil pacientes atendidos em unidades de saúde do município de São José dos Campos entre março de 2020 e maio de 2021.

medical desktop computer coronavirus info on screen 3d rendering

Os dados foram consolidados pelo Instituto de Pesquisa e Planejamento (IPPLAN) a partir de informações fornecidas pelos pacientes ao realizarem testes de covid-19 em farmácias, laboratórios ou hospitais da região. Alguns dos atributos de maior peso no levantamento foram idade, sexo, sintomas e comorbidades. Foram mantidos no estudo, porém, apenas 17% dos testes registrados, 19.484 (44,7%) homens e 24.095 (55,3%) mulheres.

Tal diminuição ocorreu devido à chamada “limpeza dos dados”, uma etapa que inclui ajustes, transformações, e filtros das informações coletadas. Com isso, foram excluídos formulários com erros no preenchimento, ausência de informação, resultado de exame pendente e inconsistências. “Também eliminamos testes não representativos, ou seja, casos em que a pessoa preencheu menos de três campos entre sintomas e comorbidades, pois não geraria informação útil para nós”, explica Abuabara.

O estudo apontou que os sintomas mais frequentemente relatados entre os pacientes testados para covid-19 foram tosse (77,9%), febre (58,9%) e dor de garganta (53,5%), seguidos de dispneia (38,7%), baixa saturação de oxigênio (10,6%) e dificuldade respiratória (9,2%). Quanto às comorbidades, as mais mencionadas foram doença cardiovascular crônica (18,2%), diabetes mellitus (12,1%), doenças respiratórias crônicas, como a asma (5,7%), além da imunodepressão (1,5%).

O desenvolvimento da doença também foi observado atentamente. No período avaliado, 79% dos indivíduos não precisaram ser hospitalizados e 91% não se tratavam de casos graves. Entre os que precisaram de um leito de UTI, 37,6% permaneceram internados por até 5 dias, 28,7% de 6 a 10 dias e 33,7% ficaram hospitalizados por mais de 11 dias. Dos que vieram a falecer, 58% eram do sexo masculino e 42%, do feminino.

De acordo com os pesquisadores, a ideia é aperfeiçoar esses modelos preditivos. “Planejamos testar nossos modelos na prática em parceria com a secretaria municipal de saúde, além de avaliar a inclusão de mais atributos aos modelos, principalmente para investigar como se comportam frente aos casos de novas variantes da doença, como a delta”, finalizam.

Damos valor à sua privacidade

Nós e os nossos parceiros armazenamos ou acedemos a informações dos dispositivos, tais como cookies, e processamos dados pessoais, tais como identificadores exclusivos e informações padrão enviadas pelos dispositivos, para as finalidades descritas abaixo. Poderá clicar para consentir o processamento por nossa parte e pela parte dos nossos parceiros para tais finalidades. Em alternativa, poderá clicar para recusar o consentimento, ou aceder a informações mais pormenorizadas e alterar as suas preferências antes de dar consentimento. As suas preferências serão aplicadas apenas a este website.

Cookies estritamente necessários

Estes cookies são necessários para que o website funcione e não podem ser desligados nos nossos sistemas. Normalmente, eles só são configurados em resposta a ações levadas a cabo por si e que correspondem a uma solicitação de serviços, tais como definir as suas preferências de privacidade, iniciar sessão ou preencher formulários. Pode configurar o seu navegador para bloquear ou alertá-lo(a) sobre esses cookies, mas algumas partes do website não funcionarão. Estes cookies não armazenam qualquer informação pessoal identificável.

Cookies de desempenho

Estes cookies permitem-nos contar visitas e fontes de tráfego, para que possamos medir e melhorar o desempenho do nosso website. Eles ajudam-nos a saber quais são as páginas mais e menos populares e a ver como os visitantes se movimentam pelo website. Todas as informações recolhidas por estes cookies são agregadas e, por conseguinte, anónimas. Se não permitir estes cookies, não saberemos quando visitou o nosso site.

Cookies de funcionalidade

Estes cookies permitem que o site forneça uma funcionalidade e personalização melhoradas. Podem ser estabelecidos por nós ou por fornecedores externos cujos serviços adicionámos às nossas páginas. Se não permitir estes cookies algumas destas funcionalidades, ou mesmo todas, podem não atuar corretamente.

Cookies de publicidade

Estes cookies podem ser estabelecidos através do nosso site pelos nossos parceiros de publicidade. Podem ser usados por essas empresas para construir um perfil sobre os seus interesses e mostrar-lhe anúncios relevantes em outros websites. Eles não armazenam diretamente informações pessoais, mas são baseados na identificação exclusiva do seu navegador e dispositivo de internet. Se não permitir estes cookies, terá menos publicidade direcionada.

Visite as nossas páginas de Políticas de privacidade e Termos e condições.

Importante: A Medicina S/A usa cookies para personalizar conteúdo e anúncios, para melhorar sua experiência em nosso site. Ao continuar, você aceitará o uso. Veja nossa Política de Privacidade.