O Machine Learning na saúde – ou seja o “aprendizado de máquinas” por meio da Inteligência Artificial – vem sendo cada vez mais aplicado no setor como forma de ajudar na tomada de decisões. Isto porque o machine learning na saúde processa uma grande informação de dados, usados para obter experiência e, assim, auxiliar em uma série de tarefas, entre elas diagnósticos e análise de informações.

Um estudo realizado pelos médicos João Paulo dos Reis Neto, diretor-presidente da CAPESESP – Caixa de Previdência e Assistência aos Servidores da Fundação Nacional de Saúde, e Juliana Martinho Busch, diretora de Previdência e Assistência da entidade, demonstrou que o risco de morte após alta hospitalar devido à infecção por Covid-19 é maior em idosos acima dos 60 anos, pessoas com comorbidades preexistentes, que tenham permanecido na UTI durante a internação hospitalar e ou com tempo de internação superior a 14 dias.

Os dirigentes realizaram uma análise retrospectiva do banco de dados administrativos de mais de 37 mil beneficiários vinculados ao plano de saúde, no período de março de 2020 a maio de 2021, com acompanhamento mensal de 810 pacientes internados com Covid-19. Desse total, 125 faleceram depois de receberem alta, em média, nove meses depois.

O desempenho do modelo foi avaliado por meio da métrica Índice de Concordância (Índice C). O objetivo do estudo é auxiliar na triagem de pessoas que precisam de cuidados especializados após a hospitalização. A análise de sobrevivência utilizou o sistema Cox Ridge Penalized Regression (CRPR), Gradient Boost Survival (GBS) and Random Survival Forest (RFS) da biblioteca Python scikit-survival, com separação em conjuntos de treinamento e de base de teste, e proporções de 75% e 25%, respectivamente. As variáveis foram idade, sexo, presença de comorbidade anterior à internação, histórico positivo para neoplasia, hospitalização por mais de 14 dias ou permanência na unidade de terapia intensiva (UTI).

“A calculadora de risco que desenvolvemos é única e adequada para prever os beneficiários que apresentam maior risco de morte após a alta hospitalar por Covid-19 e, também, para identificar indivíduos que devem prioritariamente receber cuidados especiais durante a fase de convalescença”, explica João Paulo.

Segundo Juliana Busch, “os modelos utilizando machine learning na saude são tão bons quanto mais volume de dados possa ser avaliado, por isso, a calculadora deve ser continuamente ajustada e calibrada na medida que aumentarmos a quantidade de dados coletados”, finaliza.

Fonte: Saúde Debate, com informações da Capesesp