Modelos preditivos de óbito para pacientes com covid-19

Abstract

Introdução: O aumento da quantidade de dados gerados por serviços de saúde e a necessidade de qualificação da assistência incentivou o uso de várias técnicas para a construção de modelos preditivos especialmente durante a pandemia causada pelo SARS-CoV-2. A análise preditiva dos dados são imprescindíveis para a interpretação das informações e otimização das ações para o enfrentamento de situações críticas. Objetivo: Desenvolver modelos preditivos de óbito por COVID-19 para diferentes grupos populacionais utilizando regressão logística e Aprendizagem de Máquina (AM). Método: estudos de corte transversal envolvendo pacientes com COVID-19 confirmados pela transcrição reversa seguida de reação em cadeia da polimerase (RT-PCR) para SARS-CoV-2, notificados em bancos de dados da Secretaria de Saúde do estado de Pernambuco. Foram quatro estudos que envolveram populações e períodos diferentes da pandemia com emprego de análises preditivas específicas: regressão logística em três artigos e AM em um outro. Resultados: O Artigo 1 desenvolveu um modelo preditivo para análise de fatores associados ao óbito em 682 pacientes pediátricos no período de 13 de fevereiro a 19 de junho de 2020. Destacou-se a alta letalidade e vulnerabilidade entre neonatos (11,5%) e crianças menores de 12 meses (9,5%) com condições graves que necessitaram hospitalização. O Artigo 2, envolvendo 68 pacientes do sexo feminino com câncer e COVID 19 no período de 12 de março a 19 de junho de 2020 evidenciou uma letalidade de 72,1%. Na regressão logística multivariada, ajustando-se pela idade e pela presença de comorbidades, a saturação periférica de O2 < 95% foi identificada como o único fator independente associado ao óbito. O Artigo 3 destinou-se a construção de um modelo de análise preditiva para óbito utilizando AM. A amostra foi constituída de 7486 pacientes idosos, notificados no período de 13 de fevereiro a 19 de junho de 2020. Concluiu que o algoritmo Random Forest (RF) foi capaz de destacar as variáveis mais importantes associadas ao óbito (idade avançada, doença cardiovascular e saturação periférica de O2 < 95%), sendo capaz de prever corretamente o desfecho clínico com AUC de 0,839. Por último, a análise preditiva realizada no Artigo 4 considerou apenas os casos de Síndrome Respiratória Aguda Grave (SRAG) em 756 adultos com câncer e observou também alta letalidade (75,8%), especialmente a partir dos 80 anos de idade (84,8%). A idade avançada e a presença de doença pulmonar crônica prévia foram consideradas os fatores associados ao óbito, enquanto o sobrepeso e a tosse foram considerados como fatores de proteção. Conclusão: O investimento na construção de modelos preditivos é essencial para obtenção de informações permitindo o apoio à tomada de decisões clínicas e a gestão de recursos em serviços de saúde. O entendimento sobre a relação que estes dados têm com a capacidade de predição de óbito em pacientes com COVID-19 permite o aprimoramento das estimativas prognósticas contribuindo para a melhor gestão do cuidado. Propõe-se a reorganização das redes de assistência à saúde enfatizando principalmente os grupos mais vulneráveis ao óbito por COVID-19 (pacientes nos extremos de idade e com câncer) visando diminuir riscos promovendo medidas proporcionais de proteção em diferentes contextos e realidades de cuidado.