Previsão precoce do risco de mortalidade entre pacientes com COVID-19 grave, usando aprendizado de máquina

A doença do coronavírus 2019 (COVID-19), causada por infecção por coronavírus 2, que evolui com síndrome respiratória aguda grave, está se espalhando globalmente. O objetivo dos autores foi desenvolver um modelo clínico para prever precocemente o resultado de pacientes com infecção grave por COVID-19 baseado em dados demográficos, clínicos e dos primeiros exames laboratoriais após a admissão.

As características demográficas, clínicas e laboratoriais são significativamente diferentes entre sobreviventes e não sobreviventes. Por exemplo, os não sobreviventes são pessoas mais velhas do que os sobreviventes. Dispneia, aperto no peito e distúrbio de consciência são mais comuns em pacientes que morrem do que naqueles que se recuperam. As concentrações de alanina aminotransferase, aspartato aminotransferase, creatinina, creatina quinase, lactato desidrogenase, troponina I cardíaca, peptídeo natriurético N-terminal pró-cérebro e dímero-d são marcadamente maiores em não sobreviventes do que em sobreviventes.

O desenvolvimento do modelo preditivo consistiu em três principais estágios: (i) processamento de dados, (ii) seleção de variáveis e modelo de avaliação, (iii) validação externa. Neste estudo de modelagem de predição clínica, os autores aproveitaram ao máximo os dados multifacetados de pacientes com COVID-19 na admissão para prever seus resultados. Quatro variáveis (correspondendo a idade, hsCRP, dímero-d e contagem de linfócitos) foram selecionadas e usadas para ajustar um modelo de regressão logística. O desempenho preditivo do modelo foi aceitável, tanto no conjunto de derivação quanto no conjunto de validação externa. Os autores também desenvolveram uma ferramenta web para implementar o modelo preditivo. Com isso, os médicos podem usar esta ferramenta web para prever precocemente o risco de mortalidade de pacientes com COVID-19.

O estudo tem vários pontos fortes. Primeiro, para garantir a robustez do modelo preditivo, foram impostos critérios rigorosos de inclusão e exclusão dos participantes incluídos e dos dados do estudo. Em segundo lugar, os resultados são comparáveis a outros e esse modelo preditivo é competitivo quando comparado com modelos relatados anteriormente. Terceiro, foram usadas estratégias de modelagem avançada para selecionar recursos e construir os modelos preditivos. O modelo final é simples (incluindo apenas quatro variáveis) e altamente interpretável (o modelo é de natureza linear e os efeitos dos preditores são refletidos pelos coeficientes de regressão). Além disso, o modelo preditivo final foi avaliado externamente. Quarto, foi desenvolvida uma ferramenta web de acompanhamento, para facilitar a aplicação do modelo preditivo por médicos.

Os autores apresentam também as limitações do estudo. Primeiro, os modelos preditivos foram baseados em uma amostra relativamente pequena; a interpretação dos achados pode ser limitada. Em segundo lugar, devido ao desenho do estudo retrospectivo, nem todos os testes laboratoriais foram realizados em todos os pacientes. Alguns deles podem ser excluídos no procedimento de pré-processamento de dados e seus papéis podem ser subestimados na previsão dos resultados dos pacientes. Terceiro, às vezes os pacientes eram transferidos de outros hospitais para as duas filiais dos hospitais de Tongji, tendo sido excluídos os pacientes que não atendiam aos critérios de inclusão. Os valores dos testes laboratoriais podem ter sido influenciados pelo tratamento antiviral anterior nesses pacientes. Finalmente, os pacientes no conjunto de derivação e no conjunto de validação eram do Hospital Tongji, um dos hospitais com alto nível de atendimento médico na China.

Em resumo, usando os dados clínicos disponíveis, foi desenvolvido um modelo robusto de aprendizado de máquina para prever precocemente o resultado de pacientes com COVID-19. O modelo e o aplicativo web que o acompanha são importantes recursos de informação para os médicos identificarem os pacientes com alto risco de morte e, portanto, são essenciais para a prevenção e o controle da COVID-19.