Notícias

Dec 04, 2023

Comparando algoritmos de treinamento de rede neural artificial para prever tempo de internação em pacientes hospitalizados com COVID

Doenças Infecciosas BMC

BMC Infectious Diseases volume 22, Número do artigo: 923 (2022) Citar este artigo

1178 Acessos

1 Citações

1 Altmétrica

Detalhes das métricas

A disseminação exponencial da doença de coronavírus 2019 (COVID-19) causa ônus econômicos inesperados aos sistemas de saúde em todo o mundo, com grave escassez de recursos hospitalares (leitos, pessoal, equipamentos). Gerenciar o tempo de permanência dos pacientes (LOS) para otimizar o atendimento clínico e a utilização dos recursos hospitalares é um grande desafio. Projetar a demanda futura requer uma previsão confiável do tempo de internação dos pacientes, o que pode ser benéfico para a tomada de ações apropriadas. Portanto, o objetivo desta pesquisa é desenvolver e validar modelos usando um algoritmo de rede neural artificial perceptron multicamada (MLP-ANN) baseado no melhor algoritmo de treinamento para prever a internação hospitalar de pacientes com COVID-19.

Usando um registro de centro único, foram analisados ​​os registros de 1225 casos confirmados em laboratório de COVID-19 hospitalizados de 9 de fevereiro de 2020 a 20 de dezembro de 2020. Neste estudo, primeiro, a técnica do coeficiente de correlação foi desenvolvida para determinar as variáveis ​​mais significativas como entrada dos modelos de RNA. Apenas as variáveis ​​com um coeficiente de correlação em um valor P < 0,2 foram usadas na construção do modelo. Em seguida, os modelos de previsão foram desenvolvidos com base em 12 algoritmos de treinamento de acordo com conjuntos de dados de recursos completos e selecionados (90% do treinamento, com 10% usados ​​para validação do modelo). Em seguida, a raiz quadrada média do erro (RMSE) foi utilizada para avaliar o desempenho dos modelos a fim de selecionar o melhor algoritmo de treinamento da RNA. Por fim, um total de 343 pacientes foram utilizados para a validação externa dos modelos.

Depois de implementar a seleção de recursos, um total de 20 variáveis ​​foram determinadas como os fatores que contribuem para a LOS dos pacientes com COVID-19 para construir os modelos. Os experimentos conduzidos indicaram que o melhor desempenho pertence a uma rede neural com 20 e 10 neurônios na camada oculta do algoritmo de treinamento de regularização bayesiana (BR) para feições inteiras e selecionadas com um RMSE de 1,6213 e 2,2332, respectivamente.

Os modelos baseados em MLP-ANN podem prever com segurança a LOS em pacientes hospitalizados com COVID-19 usando dados prontamente disponíveis no momento da admissão. A esse respeito, os modelos desenvolvidos em nosso estudo podem ajudar os sistemas de saúde a alocar de maneira ideal os recursos hospitalares limitados e a tomar decisões baseadas em evidências.

Relatórios de revisão por pares

A doença de coronavírus 2019 (COVID-19) é uma infecção viral muito contagiosa que até agora continuou a se espalhar rapidamente pelo mundo e se tornou um sério problema de saúde global. O rápido surto de COVID-19 expôs as organizações de saúde à escassez de recursos hospitalares e à exaustão dos profissionais de saúde da linha de frente [1,2,3,4,5,6]. Até agora, as manifestações clínicas mostraram heterogeneidade substancial entre diferentes pacientes, variando de sintomas leves ou assintomáticos semelhantes aos da gripe a doenças respiratórias graves e pneumonia, hospitalização em unidade de terapia intensiva (UTI), falência de múltiplos órgãos (MOF) e, finalmente, morte [7 ]. As altas taxas de transmissão do COVID-19, o surgimento de novas variantes e padrões clínicos desconhecidos colocam uma pressão imensa nos sistemas de saúde. Como resultado, há um aumento drástico no número de pacientes que procuram atendimento médico e um aumento nas hospitalizações [8, 9]. Essa superlotação levanta sérias preocupações em relação ao impacto potencial da propagação do vírus, especialmente nos sistemas de saúde com graves restrições de recursos em países de baixa e média renda (LMICs) [10, 11]. Durante esta crise pandêmica, para tornar os cuidados de saúde mais acessíveis e evitar a superlotação dos hospitais, é crucial adotar intervenções objetivas e baseadas em evidências para o uso eficaz das instalações médicas disponíveis nos hospitais (por exemplo, leitos hospitalares e ventiladores respiratórios, entre outros) [12].