Portal InstitucionalUFPEL

A importância epidemiológica da COVID-19, no Brasil e no mundo, dada a sua incidência e letalidade, associada à dificuldade de acesso amplo e rápido ao RT-PCR para o SARS-CoV-2, padrão-ouro para o diagnóstico da doença, impulsiona a busca por estratégias acessíveis para diagnóstico e prognóstico.
A aplicação de IA, usando algoritmos de aprendizado de máquina, têm sido bastante ampliada na área da saúde, como na classificação de tipos de tumor em imagens de ressonância magnética (Sajid e col., 2018), detecção de pólipos em imagens de endoscopia (Billah e Washeed, 2018), predição de problemas cardiovasculares (Poplin et al., 2018) e ajuda no diagnóstico de várias doenças como diabetes (Gulshan et al., 2016), síndrome de Parkinson (Lahmiri e col., 2018) e doenças pulmonares (Nam e col., 2019). Inclusive técnicas de aprendizado de máquina estão sendo propostas na literatura para diagnóstico da COVID-19, por exemplo, na integração de imagens de tomografia com exames clínicos (Mei et al., 2020).
O uso de algoritmos de IA, que a partir de dados epidemiológicos, clínicos e laboratoriais regularmente coletados na avaliação de pacientes com quadros respiratórios agudos, permite predizer a doença entre casos suspeitos e constitui-se em estratégia de saúde pública relevante, pela praticidade, rapidez de resposta e pelo baixo custo.
Para implementação da pesquisa e o desenvolvimento de um algoritmo de IA, é necessário estabelecer um protocolo de exames, acompanhado por um questionário complementar de sinais e sintomas, a ser aplicado naqueles pacientes, que se dirijam à UPA com sintomas respiratórios e com suspeita de terem contraído o novo coronavírus. Essas informações são de extrema importância para implantação e consolidação de um banco de dados local/regional de pacientes desidentificados, que poderá servir de base para análises estatísticas e futuras pesquisas na área.
Essa ferramenta, com o algoritmo já treinado rodando em segundo plano, retornará a probabilidade daquele paciente estar infectado com a SARS-CoV-2, a qual pode auxiliar o médico na tomada de decisão sobre a realização do teste RT-PCR. Essa probabilidade poderia, ainda, ficar disponível como um indicador quando as pessoas realizam um exame de sangue de rotina em um laboratório.
Conforme o banco de dados vai sendo alimentado com as informações dos pacientes, o algoritmo pode ser retreinado, o que melhora seu nível de assertividade.
A ferramenta proposta contribuirá com a redução e priorização do número de testes RT-PCR, absorvendo uma parcela dos negativos.
Já uma ferramenta que possa auxiliar no prognóstico contribuirá para a tomada de decisões sobre o curso de cada tratamento e procedimento relevante à qualidade de vida e às tomadas de decisões. Para tanto, é importante a coleta de dados no HE-UFPel/EBSERH.

A cidade de Pelotas, segundo estimativas do IBGE de 2018, tem uma população de 341.648 habitantes, sendo a quarta cidade mais populosa do estado. Encontra-se inserida na 3ª Coordenadoria Regional de Saúde, composta por 22 municípios, sendo referência de atendimento em saúde para alguns destes municípios, o que amplia a população atendida pelos serviços de saúde local. Na atual pandemia pela COVID-19, os pacientes com sintomas respiratórios agudos serão atendidos nas Unidades de Pronto-Atendimento (UPA) de Pelotas, e dos mesmos, serão coletadas informações epidemiológicas (sexo, idade), dados clínicos incluindo sinais vitais (temperatura axilar e frequência respiratória), saturação de oxigênio, sintomas respiratórios e exames laboratoriais como hemograma e PCR. Os pacientes serão submetidos ao RT-PCR para SARS-CoV-2, conforme o protocolo do Ministério da Saúde.
Os pacientes hospitalizados no HE-UFPel/EBSERH com suspeita de COVID-19 ou confirmação de contágio serão monitorados por variáveis fisiológicas e exames laboratoriais, incluindo dados de hemograma, PCR, ferritina, tipo sanguíneo, D-dímeros e troponinas que serão coletados para alimentar algoritmos de predição de desfechos como necessidade de ventilação mecânica, internação em UTI e risco de morte.
A partir dessas informações formar-se-á um banco de dados local/regional de pacientes desidentificados, que poderá também servir de base para análises estatísticas e futuras pesquisas na área.
A partir de um conjunto de dados desse banco utilizar-se-á algoritmos de aprendizagem de máquina para o desenvolvimento das ferramentas computacionais de predição de diagnóstico e prognóstico.
Particularmente em um cenário de aprendizado supervisionado, o conjunto de treinamento é formado pelos dados de entrada e seus respectivos dados de saída conhecidos. O objetivo é, dado um conjunto de treinamento, obter um modelo o qual seja um bom preditor para as respostas que queremos encontrar, correspondentes aos dados de entrada (Bishop, 2006).
No aprendizado de máquina, um modelo matemático para determinado problema é definido por alguns parâmetros, os quais são otimizados por um algoritmo baseado em dados conhecidos (Alpaydin, 2014). Visando a generalização do modelo, o banco de dados conhecidos será separado aleatoriamente em conjunto de treinamento e conjunto de teste. Essa técnica é chamada de validação cruzada. O algoritmo é treinado somente com os dados do conjunto de treinamento. Após o treinamento, o conjunto de teste será utilizado para validação do modelo.
Dentre as técnicas de aprendizagem de máquina para classificação que pretende-se verificar a aplicação, pode-se destacar gradient boosting com árvores de decisão, regressão logística, support vector machines (SVM) e redes neurais artificiais (Norvig, 2002; Steinwart, 2008). A maior parte desses algoritmos é baseado na otimização por gradiente descendente, que busca a minimização de uma métrica de erro utilizando a derivada dessa métrica em relação aos pesos do algoritmo.
Base de dados para diagnóstico possuem, comumente, comportamento altamente desbalanceado, ou seja, não possuem a mesma quantidade de amostras para positivos e negativos. Este comportamento influencia no treinamento dos algoritmos, alterando a capacidade do modelo de diferenciar as duas classes. O tratamento desse desbalanceamento poderá ser feito com uma abordagem clássica com K-Nearest Neighbor Synthetic Minority Over-sampling Technique (KNN SMOTE) ou com uso de aprendizado profundo com Generative Adversarial Networks (GAN). Tais técnicas criam amostras sintéticas da classe menos presente nos dados.
A evolução da composição do banco de dados se dará com o decorrer do levantamento das informações dos pacientes e, a partir de um certo nível, será possível utilizar esse conjunto de dados para retreinar o algoritmo com informações locais/regionais. Assim, plataformas (web ou aplicativo) serão disponibilizadas para diagnóstico de pacientes a partir da inserção dos dados. No caso da ferramenta para diagnóstico, com o algoritmo já treinado rodando em segundo plano, retornará a probabilidade daquele paciente estar infectado com a SARS-CoV-2, a qual pode auxiliar o médico na tomada de decisão sobre a realização do teste RT-PCR. Essa probabilidade poderia, ainda, ficar disponível como um indicador quando as pessoas realizam um exame de sangue de rotina em um laboratório. No caso da ferramenta de prognóstico, retornará a predição dos desfechos como tipo de internação, necessidade de ventilação mecânica e risco de morte.
As funções das ferramentas de diagnóstico e prognóstico poderão ser modificadas e/ou aprimoradas de acordo com o feedback dos profissionais da saúde.

INDICADORES:
Os parâmetros de sensibilidade, especificidade e AUC serão utilizados como indicadores para validação do algoritmo.


METAS:
Para diagnóstico (Ação 1) tem-se como meta a obtenção de sensibilidade e especificidade acima de 85% e 80%, respectivamente, e AUC acima de 0,87.
Para prognóstico (Ação 2) tem-se como meta o desenvolvimento de um algoritmo com acurácia maior que 0,5, sendo, deste modo, um classificador com capacidade de discriminação.


Resultados esperados:
Uma página web e/ou aplicativo que apresenta como retorno uma probabilidade com relação ao diagnóstico da COVID-19 e um prognóstico com relação à predição do tratamento daqueles que forem positivos.