• fortesufrrj

Usando aprendizado de máquina a partir de exames de sangue para predizer pacientes com o COVID-19

Atualizado: Abr 15

Prof. Sergio Manuel Serra da Cruz

Departamento de Computação, UFRRJ


A pandemia da doença de coronavírus (COVID-19) aumentou a necessidade de tratamento clínico imediato de grandes quantitativos de pessoas e uso eficaz dos já escassos recursos de saúde pública brasileiros. Um grupo de médicos-pesquisadores brasileiros do Hospital Israelita Albert Einstein (HIAE) em São Paulo, Brasil, está utilizando diferentes técnicas de aprendizado de máquina para auxiliá-los no diagnóstico de pacientes com COVID-19. Atualmente, o teste de diagnóstico mais utilizado é o RT-PCR (transcription polymerase chain reaction test), é um teste escasso e caro na maioria dos países em desenvolvimento. A ausência de testes pode aumentar as taxas de infecção e atrasar medidas preventivas importantes. O estudo é inovador e foi desenvolvido pelo grupo do HIAE para predizer o risco de diagnóstico positivo de COVID-19 com o uso de técnicas de aprendizado de máquina, usando apenas como preditores resultados de exames de sangue na admissão dos cuidados de emergência.


Foram coletados dados de 235 pacientes adultos do HIAE, de 17 a 30 de março de 2020, dos quais 102 (43%) receberam um diagnóstico positivo de COVID-19 nos testes de RT-PCR. Para realizar os experimentos mediados pelos algoritmos de aprendizado de máquina foram utilizadas 18 variáveis no treinamento dos algoritmos: idade, sexo, hemoglobina, plaquetas, glóbulos vermelhos, concentração corpuscular média de hemoglobina (MCHC), hemoglobina corpuscular (MCH), largura de distribuição de eritrócitos (RDW), volume corpuscular médio (MCV), leucócitos, linfócitos, monócitos, basófilos, eosinófilos, plaquetas, eritrócitos largura de distribuição (RDW), volume corpuscular médio (MCV) e proteína c-reativa (PCR). Os experimentos de aprendizado de máquina compararam cinco algoritmos (redes neurais, florestas aleatórias, árvores de aumento de gradiente, regressão logística e máquinas de vetores de suporte). Eles foram treinados a partir de uma amostra aleatória de testes com 70% dos pacientes e o desempenho foi avaliado contra dados não vistos (30%). Dentre os algoritmos avaliados, o que apresentou melhor desempenho preditivo algoritmo SVM (máquinas de vetores de suporte), apresentado resultados de AUC: 0,85; Sensibilidade: 0,68; Especificidade: 0,85; Brier Pontuação: 0,16. Os pesquisadores estimam que essa técnica é promissora e poderá auxiliar médicos na detecção precoce e na tomada de decisões.

Para saber mais acesse o texto original aqui.

0 visualização

© 2020 por PPGIHD-UFRRJ

  • Black Facebook Icon
  • Black Twitter Icon
  • Black LinkedIn Icon