Dados do Trabalho

Título

DESMISTIFICANDO O USO DE APRENDIZAGEM DE MÁQUINA DENTRO DA ÁREA DA SAÚDE: DO DADO AO DESENVOLVIMENTO DE UM ESCORE PREDITIVO PARA PACIENTES COM TUBERCULOSE PULMONAR

Introdução

Em tuberculose (TB) um desfecho não favorável pode ser considerado todo paciente que durante o seu tratamento apresenta falha, perda de segmento ou morte. Identificar esses pacientes precocemente é um fator chave no desenvolvimento de estratégias para otimizar o seu manejo clínico.

Objetivo (s)

Nosso objetivo é utilizar os dados disponíveis no Sistema Brasileiro de Notificações de Agravos (SINAN) para desenvolver um sistema que possa auxiliar profissionais da saúde a identificar quais pacientes são os mais prováveis de evoluir para um desfecho não favorável durante o tratamento de TB.

Material e Métodos

Foram selecionamos todas as entradas que atendessem aos seguintes critérios: maior que 18 anos; não pertencer a uma população vulnerável; apresentar durante o tratamento um dos seguintes desfechos: cura, perda de segmento; ser suscetível aos tratamentos padrões e ser ou um novo caso de TB ou um paciente que retornou ao sistema após abandono. Nós utilizamos um algoritmo recursivo de eliminação de para reduzir a dimensionalidade dos dados e, então o dividimos em duas partes (i.e treino e teste). Sobre o conjunto de treino nós aplicamos um modelo Random forest o qual foi hiper parametrizado através de grid search e ajustado através de 20 repetições de validação cruzada. Por fim, nós avaliamos o desempenho de nosso modelo no conjunto de testes e desenvolvemos uma aplicação web para ilustrar o seu uso.

Resultados e Conclusão

De Janeiro de 2020 a Dezembro de 2022 foram notificados 286.056 indivíduos com TB no SINAN das quais, 73.595 foram incluídas em nosso trabalho. 16.338 (22%) dos 73.595 indivíduos incluídos apresentaram um desfecho não favorável durante o tratamento para TB. Apenas três das 21 variáveis foram selecionadas através do algoritmo de recursivo de eliminação para fazerem parte do nosso modelo. De uma maneira geral nosso modelo apresentou uma alta acurácia 0.85 e uma AUC de 0.92 (95% CI: 0.91 - 0.92) com uma sensibilidade de 0.77 e uma especificidade de 0.93. O modelo proposto tem potencial para identificar precocemente pacientes em tratamento para TB com maior probabilidade de evoluir para um desfecho não favorável de maneira que o mesmo pode ser usado como ferramenta auxiliar por profissionais de saúde visando melhorar a estratégia de manejo desses pacientes.     ​

Palavras Chave

Tuberculose; Paciente; tratamento