Aplicação de Inteligência Artificial para Extração de Características e Predição a Partir de Dados Hospitalares no Diagnóstico de Sequelas Pós-Aguda da Covid-19
Resumo
As Sequelas Pós-Aguda da COVID-19 (SPAC) caracterizam uma crise global. Assim, torna-se importante a aplicação de uma análise extrativa e preditiva das SPAC. Considerando o que foi exposto acima, este trabalho foi desenvolvido a partir da aplicação de técnicas de Inteligência Artificial (IA). As previsões foram construídas utilizando Árvore de Decisão (AD), Floresta Aleatória (FA) e Rede Neural Artificial (RNA). O banco de dados é composto por dados reais de pacientes registrados a partir de exames laboratoriais e questionários. Os dados foram divididos em treino, validação e teste. Foram obtidos resultados com a utilização dos modelos AD, FA e RNA. Sendo alguns desses resultados: 93% de Acurácia, 88% de Precisão e 91% de F1.
Palavras-chave:
Sequelas, COVID-19, Extração de características, Predição, Aprendizado de Máquina, Inteligência Artificial
Referências
Batista, B.C.F. (2012). Soluções de equações diferenciais usando redes neurais de múltiplas camadas com os métodos da descida mais íngreme e Levenberg-Marquardt. Universidade Federal do Pará.
Bragatto, M. G., de Almeida, B. M., de Sousa, G. C., Silva, G. A., Pessoa, L. d. S. G., Silva, L. K., Amorim, L. B., Bar, S. F., and de Sousa, V. T. (2021). Estudo das sequelas neuroanatômicas associadas à síndrome pós-COVID-19. Revista Eletrônica Acervo Saúde, 13(12):e8759–e8759.
de Albuquerque, L. P., da Silva, R. B., and de Araújo, R. M. S. (2020). COVID-19: origem, patogênese, transmissão, aspectos clínicos e estratégias terapêuticas atuais. Revista Prevenção de Infecção e Saúde, 6.
Groff, D., Sun, A., Ssentongo, A. E., Ba, D. M., Parsons, N., Poudel, G. R., Lekoubou, A., Oh, J. S., Ericson, J. E., Ssentongo, P., et al. (2021). Taxas de sequelas pós-agudas de infecção por SARS-CoV-2 a curto e longo prazo: uma revisão sistemática. JAMA Network Open, 4(10):e2128568–e2128568.
Gupta, N. et al. (2013). Rede neural artificial. Network and Complex Systems, 3(1):24–28.
Gupta, V. K., Gupta, A., Kumar, D., and Sardana, A. (2021). Previsão de casos confirmados, mortes e curados de COVID-19 na Índia usando modelo de floresta aleatória. Big Data Mining and Analytics, 4(2):116–123.
Huang, C., Huang, L., Wang, Y., Li, X., Ren, L., Gu, X., Kang, L., Guo, L., Liu, M., Zhou, X., et al. (2021). Consequências de 6 meses da COVID-19 em pacientes hospitalizados: um estudo de coorte. The Lancet, 397(10270):220–232.
Kamei, Y., Shihab, E., Adams, B., Hassan, A. E., Mockus, A., Sinha, A., e Ubayashi, N. (2012). Um estudo empírico em larga escala de garantia de qualidade just-in-time. IEEE Transactions on Software Engineering, 39(6):757–773.
Liberty, E., Lang, K., e Shmakov, K. (2016). Amostragem estratificada encontra aprendizado de máquina. Na Conferência Internacional sobre Aprendizado de Máquina, páginas 2320–2329. PMLR.
Mueller, Y. M., Schrama, T. J., Ruijten, R., Schreurs, M. W., Grashof, D. G., van de Werken, H. J., Lasinio, G. J., Álvarez-Sierra, D., Kiernan, C. H., Castro Eiro, M. D., et al. (2022). Estratificação de pacientes hospitalizados com COVID-19 em grupos de progressão de gravidade clínica por imunofenotipagem e aprendizado de máquina. Nature Communications, 13(1):915.
Sayed, S. A.-F., Elkorany, A. M., e Mohammad, S. S. (2021). Aplicação de diferentes técnicas de aprendizado de máquina para prever a gravidade da COVID-19. IEEE Access, 9:135697–135707.
Su, Y., Yuan, D., Chen, D. G., Ng, R. H., Wang, K., Choi, J., Li, S., Hong, S., Zhang, R., Xie, J., et al. (2022). Múltiplos fatores precoces antecipam sequelas pós-COVID-19. Célula, 185(5):881–895.
Wang, X.-L., Cao, J.-B., Li, D.-D., Guo, D.-X., Zhang, C.-D., Wang, X., Li, D.-K., Zhao, Q.-L., Huang, X.-W., e Zhang, W.-D. (2019). Gestão de casos de malária importada e instituições de saúde na China central, 2012-2017: aplicação de análise de árvore de decisão. Malaria Journal, 18:1–11.
Bragatto, M. G., de Almeida, B. M., de Sousa, G. C., Silva, G. A., Pessoa, L. d. S. G., Silva, L. K., Amorim, L. B., Bar, S. F., and de Sousa, V. T. (2021). Estudo das sequelas neuroanatômicas associadas à síndrome pós-COVID-19. Revista Eletrônica Acervo Saúde, 13(12):e8759–e8759.
de Albuquerque, L. P., da Silva, R. B., and de Araújo, R. M. S. (2020). COVID-19: origem, patogênese, transmissão, aspectos clínicos e estratégias terapêuticas atuais. Revista Prevenção de Infecção e Saúde, 6.
Groff, D., Sun, A., Ssentongo, A. E., Ba, D. M., Parsons, N., Poudel, G. R., Lekoubou, A., Oh, J. S., Ericson, J. E., Ssentongo, P., et al. (2021). Taxas de sequelas pós-agudas de infecção por SARS-CoV-2 a curto e longo prazo: uma revisão sistemática. JAMA Network Open, 4(10):e2128568–e2128568.
Gupta, N. et al. (2013). Rede neural artificial. Network and Complex Systems, 3(1):24–28.
Gupta, V. K., Gupta, A., Kumar, D., and Sardana, A. (2021). Previsão de casos confirmados, mortes e curados de COVID-19 na Índia usando modelo de floresta aleatória. Big Data Mining and Analytics, 4(2):116–123.
Huang, C., Huang, L., Wang, Y., Li, X., Ren, L., Gu, X., Kang, L., Guo, L., Liu, M., Zhou, X., et al. (2021). Consequências de 6 meses da COVID-19 em pacientes hospitalizados: um estudo de coorte. The Lancet, 397(10270):220–232.
Kamei, Y., Shihab, E., Adams, B., Hassan, A. E., Mockus, A., Sinha, A., e Ubayashi, N. (2012). Um estudo empírico em larga escala de garantia de qualidade just-in-time. IEEE Transactions on Software Engineering, 39(6):757–773.
Liberty, E., Lang, K., e Shmakov, K. (2016). Amostragem estratificada encontra aprendizado de máquina. Na Conferência Internacional sobre Aprendizado de Máquina, páginas 2320–2329. PMLR.
Mueller, Y. M., Schrama, T. J., Ruijten, R., Schreurs, M. W., Grashof, D. G., van de Werken, H. J., Lasinio, G. J., Álvarez-Sierra, D., Kiernan, C. H., Castro Eiro, M. D., et al. (2022). Estratificação de pacientes hospitalizados com COVID-19 em grupos de progressão de gravidade clínica por imunofenotipagem e aprendizado de máquina. Nature Communications, 13(1):915.
Sayed, S. A.-F., Elkorany, A. M., e Mohammad, S. S. (2021). Aplicação de diferentes técnicas de aprendizado de máquina para prever a gravidade da COVID-19. IEEE Access, 9:135697–135707.
Su, Y., Yuan, D., Chen, D. G., Ng, R. H., Wang, K., Choi, J., Li, S., Hong, S., Zhang, R., Xie, J., et al. (2022). Múltiplos fatores precoces antecipam sequelas pós-COVID-19. Célula, 185(5):881–895.
Wang, X.-L., Cao, J.-B., Li, D.-D., Guo, D.-X., Zhang, C.-D., Wang, X., Li, D.-K., Zhao, Q.-L., Huang, X.-W., e Zhang, W.-D. (2019). Gestão de casos de malária importada e instituições de saúde na China central, 2012-2017: aplicação de análise de árvore de decisão. Malaria Journal, 18:1–11.
Publicado
19/10/2023
Como Citar
FARRAPO, Ruann C. C.; SOUZA, Sara D. de; AMORA, Márcio A. B.; P. JÚNIOR, Iális C. de.
Aplicação de Inteligência Artificial para Extração de Características e Predição a Partir de Dados Hospitalares no Diagnóstico de Sequelas Pós-Aguda da Covid-19. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 16. , 2023, Piripiri/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 65-72.
DOI: https://doi.org/10.5753/enucompi.2023.26618.
