Evidências Covid 19

English French German Spain Italian Dutch
Russian Portuguese Japanese Korean Arabic Chinese Simplified

Como analisar as águas residuais pode auxiliar no monitoramento de surtos e epidemias e trazer quais benefícios?

English French German Spain Italian Dutch
Russian Portuguese Japanese Korean Arabic Chinese Simplified

Análise computacional da vigilância da SARS-CoV-2 / COVID-19 por epidemiologia baseada em análise de águas residuais local e globalmente: viabilidade, economia, oportunidades e desafios

DUARTE, Rosalia Maria

HART, O.E.; HALDEN, R. U. Computational analysis of SARS-CoV-2/COVID-19 surveillance by waste water-based epidemiology locally and globally: Feasibility, economy, opportunities and challenges. Sci Total Environ., v.730, Aug. 2020. Doi: 10.1016/j.scitotenv.2020.138875. Epub 2020 Apr 22. Disponível em https://pubmed.ncbi.nlm.nih.gov/32371231/

O artigo discute as vantagens e desvantagens de se efetuar vigilância sanitária da evolução da contaminação por SARS-CoV-2 através da epidemiologia baseada na análise de águas residuais (water-based epidemiology/WBE).

Uma das mais complexas atividades da política de vigilância sanitária em caso de pandemias é o monitoramento e a detecção de novos casos de contaminação, para criar barreiras que evitem a propagação da doença. No caso da SARS-CoV-2, as altas taxas de subnotificação, fruto da dificuldade de produzir testagem em massa e do significativo número de indivíduos contaminados que permanecem assintomáticos, tornam ainda mais complexa a tarefa de monitorar a disseminação do vírus e reduzir os índices de contaminação. Face a isso, os autores argumentam que a epidemiologia baseada na análise de águas residuais (WBE), que vem se tornando uma ferramenta importante de vigilância de doenças infecciosas, com histórico comprovado na detecção de poliomielite e hepatite A, poderia auxiliar a vigilância populacional na pandemia da COVID-19.  Referenciam no artigo evidências preliminares de detecção bem-sucedida de SARS-CoV-2 em águas residuais municipais da Holanda, dos Estados Unidos e da Austrália, que confirmariam essa possibilidade. Alertam, no entanto, que ainda há incertezas quanto a se um ensaio baseado em WBE seria suficiente para orientar políticas sanitárias (como a aplicação de testes em massa ou a aplicação de medidas de contenção de mobilidade ou de isolamento social somente em áreas onde tenham sido detectados indivíduos contaminados) e indicam a necessidade de combinar WBE com aplicação posterior de testes clínicos.

Para avaliar a possibilidade da WBE ser utilizada em larga escala na detecção da SARS-CoV-2, o estudo relatado no artigo toma como base a realização de uma análise computadorizada que combina um grande volume de dados e cálculos estatísticos referentes a: 1) estimativa das cargas iniciais de SARS-CoV-2 em águas residuais; 2) estimativa de persistência de COVID-19 em águas residuais; 3) dados da área de estudo de caso (densidade populacional e condições espaciais da cidade de Tempe, no Arizona, EUA); modelo hidráulico (dados relacionados ao layout físico do sistema de coleta de esgoto); cálculos do tempo de deslocamento de águas residuais no sistema de coleta, taxas de fluxo volumétricas de águas residuais e velocidades); análise de custo para WBE e triagem médica de indivíduos. A partir dessa modelagem computacional, os autores concluíram que, dependendo das condições locais (modelagem hidráulica, temperatura e tempo de deslocamento das águas residuais, por exemplo) a epidemiologia baseada em águas residuais pode detectar um indivíduo infectado (sintomático ou assintomático) entre cada 100 a 2 milhões de pessoas. Argumentam que essa ferramenta permitiria monitorar 2,1 bilhões de pessoas globalmente, através de 105.600 estações de tratamento de esgoto e que, combinada com a realização de testes clínicos, poderia gerar uma economia de bilhões de dólares na detecção e no acompanhamento de surtos epidemiológicos.

Esta resenha pertence ao grupo sobre:

Como a Inteligência Artificial pode ajudar a identificar pacientes com pneumonia causada pela COVID-19 ?

English French German Spain Italian Dutch
Russian Portuguese Japanese Korean Arabic Chinese Simplified

Modelo de fusão de multi-vistas baseado em deep learning para rastreamento da pneumonia pelo novo coranavírus 2019: Um estudo multicêntrico

NACCACHE, Mônica

WU, X; et al. Deep learning-based multi-view fusion model for screening 2019 novel coronavirus pneumonia: A multicentre study. European Journal of Radiology, v. 128, p. 109041, Jul. 2020. DOI: 109041 Disponível em: https://www.sciencedirect.com/science/article/pii/S0720048X20302308?via%3Dihub

O artigo apresenta um método baseado em aprendizagem-profunda (deep-learning) para identificação de pacientes com pneumonia causada por COVID-19, usando imagens de tomografia computadorizada (TC).

Resultados mostram que as imagens de TC têm grande potencial para a detecção de pneumonia causada por COVID-19. Porém, o processo é ainda lento devido à necessidade de análise manual de finas camadas de imagens (~ 300 por paciente). Dessa forma, métodos de inteligência artificial (IA) podem ser utilizados no sentido de minimizar o tempo de análise. Em especial, deep-learning tem se mostrado de grande aplicação na área médica, e seus resultados podem chegar a níveis equivalentes aos obtidos por um ser humano.

O trabalho visa testar um modelo de diagnóstico com métodos baseados em redes de deep-learning, usando imagens de TC do tórax de pacientes com pneumonia causada pela COVID-19. O estudo foi feito na China e usou dados de 495 pacientes de três hospitais diferentes. As imagens foram obtidas nas regiões pulmonares em vistas axial, coronal e sagital, e foi feito um pós-processamento para o teste e validação da rede.

Observou-se que as imagens de vistas múltiplas podem fornecer mais informações sem redundância. Assim, foi utilizado um modelo de fusão de multi-vistas, e usadas as três vistas (axial, coronal e sagital) para desenvolver o modelo para diagnóstico. O modelo foi implementado utilizando a linguagem de programação Python e baseado na estrutura Keras. O treinamento e teste da rede foram feitos usando o modelo de servidor TITAN XP, e a performance calculada na linguagem de programação R (desenvolvida para manipulação, análise e visualização de dados).

Os autores mostram que o modelo multi-vista apresenta melhor performance em relação ao de vista simples. Em geral, leva-se cerca de 10 minutos para examinar imagens de TC e identificar casos de COVID-19. Em contraste, menos de 5 segundos são necessários na comparação de um teste usando o modelo multi-vista. Observou-se também que o desempenho do modelo é melhor para o grupo de pessoas com mais de 60 anos, e do sexo feminino.

Os resultados obtidos vão de acordo com a literatura, mostrando que ferramentas de IA podem ser utilizadas de forma efetiva para melhoria da eficiência de diagnósticos, e redução da carga de trabalho dos profissionais envolvidos. No caso analisado, apesar do grau de sensibilidade e especificidade se mostraram baixos, as ferramentas de IA mostraram que podem ajudar a identificação de sinais típicos de pneumonia de COVID-19 em imagens de TC, inclusive alguns difíceis de serem identificados pelos radiologistas. Porém, observa-se a necessidade de aprimoramento do uso da ferramenta.

Esta resenha pertence ao grupo sobre:

Como a inteligência artificial tem sido usada para propor a reutilização de medicamentos que possam vir a ser úteis para tratar e prevenir a COVID-19 ?

English French German Spain Italian Dutch
Russian Portuguese Japanese Korean Arabic Chinese Simplified

Inteligência Artificial na reproposição de drogas para COVID-19

FISZMAN, Marcelo

ZHOU, Y.; et al. Artificial intelligence in COVID-19 drug repurposing. Lancet Digit Health. 2020 Sep 18. Doi: 10.1016/S2589-7500(20)30192-8. Disponível em: https://pubmed.ncbi.nlm.nih.gov/32984792/

A reproposição de medicamentos é uma técnica em que se explora drogas existentes para direcioná-las ao tratamento de uma nova doença. É uma abordagem interessante, pois reduz os prazos no desenvolvimento de novos medicamentos, que costumam ser longos. Nesse estudo, descreve-se como a inteligência artificial está sendo usada na reproposição de medicamentos durante a pandemia por COVID-19.

Os pioneiros da inteligência artificial previram a construção de computadores que poderiam raciocinar e pensar como pessoas. O crescimento da computação, do armazenamento, da riqueza de dados, e dos algoritmos levaram a avanços substanciais nesse campo de pesquisa. Nesse estudo os autores se concentram no papel da inteligência artificial na pandemia global da COVID-19. Algoritmos de inteligência artificial podem ser usados ​​para reproposição de medicamentos, que é uma maneira rápida e econômica de descobrir novas opções de terapia para doenças emergentes. A pandemia, apesar de trágica, tem sido uma excelente oportunidade para comprovar essa hipótese.

Uma das metodologias de reproposição usando inteligencia artificial é por meio da construção de gráficos complexos de conhecimento médico contendo relações entre entidades médicas. Os algoritmos usam esses gráficos do conhecimento médico para prever novas ligações entre medicamentos e doenças existentes, para o tratamento de outras doenças, como a COVID-19. Um desafio para o método de incorporação de gráficos é a escalabilidade. Esses gráficos do mundo real são muito grandes e consomem muito tempo computacional.

O estudo aponta que um grupo de pesquisa construiu um gráfico de conhecimento para COVID-19 que incluiu 15 milhões de bordas em 39 categorias de relações conectando doenças, medicamentos, proteínas, enzimas, hormônios, e genes, a partir de um corpo científico de 24 milhões de revistas científicas em medicina. Usando os recursos de computação e técnicas de aprendizado de representação gráfica da inteligência artificial, a equipe identificou 41 candidatos a medicamentos a serem propostos no tratamento da COVID-19 (incluindo dexametasona e melatonina). A dexametasona, por enquanto, talvez seja o medicamento mais poderoso para impedir o agravamento da COVID-19. O estudo aponta que muitos dos medicamentos propostos por inteligência artificial (eficazes ou não) têm sido muito usados na pandemia, como, por exemplo, remdesevir, dexametasona, cloroquina, hidroxicloroquina, azitromicina, toremifeno, ivermectina, ribavirina, heparina, melatonina, entre outros.

Até o momento, a inteligência artificial se demonstrou capaz de identificar terapias candidatas que puderam ser disponibilizadas rapidamente para testes clínicos e eventualmente incorporadas à assistência médica. Por isso, é um método promissor para acelerar na reproposição de medicamentos para doenças humanas, especialmente doenças emergentes, como a COVID-19.

Farmacêuticos, cientistas da computação, bioestatísticos, e médicos estão cada vez mais envolvidos no desenvolvimento e na adoção de tecnologias baseadas em inteligência artificial, para o rápido desenvolvimento terapêutico baseado em evidências do mundo real, para várias doenças humanas complexas, como está acontecendo na COVID-19  Esperamos que essa experiência possa influenciar os futuros modelos de inteligência artificial para reproposição de drogas (ou outras intervenções) na medicina.

Esta resenha pertence ao grupo sobre:

Como a Inteligência Artificial pode ajudar a detectar e diagnosticar o novo Coronavírus?

English French German Spain Italian Dutch
Russian Portuguese Japanese Korean Arabic Chinese Simplified

Papel das técnicas da mineração de dados biológicos e da aprendizagem de máquina para detectar e diagnosticar o novo Coronavírus: uma revisão sistemática

BARBOSA, Carlos Roberto Hall

Albahri, A. S.; et al. Role of biological data mining and machine learning techniques in detecting and diagnosing the novel Coronavirus (COVID-19): a systematic review. Journal of Medical Systems, v. 44, n. 7, p. 122-135, May, 2020. DOI: 10.1007/s10916-020-01582-x Disponível em: https://link.springer.com/article/10.1007/s10916-020-01582-x

Este artigo apresenta uma revisão sistemática de Inteligência Artificial (IA) aplicada à detecção e diagnóstico da COVID-19, com base em algoritmos de Mineração de Dados (MD) e Aprendizado de Máquina (AM). A motivação é o crescente interesse no desenvolvimento de aplicações de IA para a área da Saúde e o potencial de tais técnicas na prevenção a pandemias.

A revisão sistemática foi baseada no modelo PRISMA, utilizando cinco bases de dados digitais que cobrem todos os aspectos acadêmicos relacionados à COVID-19: ScienceDirect, IEEE Xplore, Web of Science, PubMed e Scopus. Buscaram-se artigos em inglês, em periódicos ou congressos, de 2010 a 2020, utilizando diversas combinações de palavras-chave relacionadas a qualquer tipo de coronavírus e à detecção, diagnóstico e classificação de CoV por IA e AM. Inicialmente, identificaram-se 1239 artigos que atendiam aos critérios de inclusão, mas a revisão de títulos e resumos reduziu este número para 249 artigos, que foram lidos em sua totalidade. Após a aplicação dos critérios de exclusão (não descritos neste artigo de revisão), somente 8 artigos foram mantidos na análise.

Considerando os 8 artigos analisados na íntegra, identificaram-se 12 métodos de IA aplicados ao processamento de dados de CoV, sendo a árvore de decisão o mais frequente (5 vezes), seguido dos algoritmos Naive Bayes e SVM (4 vezes cada) e KNN (2 vezes). Todos os artigos foram publicados no período de 2016 a 2019 e dedicaram-se à pandemia MERS-CoV (tendo um artigo também considerado a SARS-CoV). Apresentam-se tabelas com os principais resultados dos artigos, principalmente em termos de exatidão de classificação, e com as bases de dados médicos usadas por cada artigo, incluindo os links de acesso quando disponíveis.

Em seguida, o artigo descreve brevemente cada um dos 8 artigos incluídos na revisão, indicando as principais conclusões e resultados. Independentemente da técnica de IA empregada, há uma clara prevalência da idade como fator de risco nas pandemias estudadas. O pequeno número de artigos identificados (todos dedicados à MERS-CoV) e a ausência de estudos e bases de dados relacionados à atual pandemia da COVID-19 indicam a necessidade e a oportunidade de aplicar IA à previsão de tais eventos. Outros métodos conhecidos de classificação, como Redes Neurais Artificiais, Aprendizado por Reforço e Clustering, bem como técnicas integradas de otimização, como Algoritmos Genéticos e Enxame de Partículas, ainda não foram aplicados à detecção e diagnóstico de CoV.

Analisando as características dos artigos revisados, a motivação principal reside no fato de que MD para diagnóstico médico é eficiente e pode ser utilizada para controlar a disseminação de pandemias, além de estimar e prever as taxas de infecção e recuperação, identificando os fatores dominantes. Alguns desafios já identificados são: complexidade dos mecanismos das pandemias; ausência de bases de dados médicos sobre as pandemias; necessidade de novos métodos de monitoramento, devido às diferentes reações de governos e populações; e grande variabilidade dos sintomas. Recomenda-se especificamente um método de pré-processamento para preenchimento de valores faltantes, o uso da linguagem R e o desenvolvimento de sistemas baseados em IoT.

O artigo conclui com a preocupação com a carência de estudos científicos de IA aplicada à COVID-19, que traz sérias implicações à detecção e minimização da disseminação de tais pandemias. O objetivo deve ser realizar novos estudos que possam guiar os governos e populações no controle precoce de tais eventos pandêmicos. Indica também a necessidade do desenvolvimento de tecnologias integradas de sensores para emprego em espaços abertos.

Esta resenha pertence ao grupo sobre: