Algoritmos de inteligência artificial para identificar erros de predição em desfechos de pacientes com covid-19

• Ano de defesa: 2024
• Autor(a) principal: Panduro, Kevin Anderson Ruperto Mateo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmos Preditivos; Artificial Intelligence in Health; COVID-19; Covid-19; Inteligência Artificial na Saúde; Machine Learning; Predictive Algorithms
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-29012025-161953/

Na prática clínica, a capacidade de identificar erros antes de sua ocorrência ou impacto clínico é de extrema importância, pois possibilita a identificação de situações em que uma predição pode ser menos confiável, permitindo que os profissionais de saúde tomem decisões mais cautelosas. No contexto de uma pandemia, em que decisões rápidas e precisas são essenciais para salvar vidas, a antecipação de erros em modelos de predição, especialmente aqueles aplicados a desfechos críticos na saúde, pode aprimorar significativamente o planejamento clínico e a alocação de recursos. Esta dissertação apresenta o desenvolvimento e avaliação de algoritmos de inteligência artificial (IA) para a predição de erros em modelos de classificação de desfechos críticos relacionados à covid-19, especificamente mortalidade e internação em UTI. Foram analisados dados de 8.477 pacientes provenientes da rede Inteligência Artificial para Covid-19 no Brasil (IACOV-BR), composta por 18 hospitais brasileiros, e coordenada pelo Laboratório de Big Data e Análise Preditiva em Saúde (LABDAPS) da Faculdade de Saúde Pública da Universidade de São Paulo (FSP/USP). Um modelo base foi inicialmente desenvolvido utilizando XGBoost, obtendo uma AUC de 0,852 para mortalidade e 0,928 para UTI. A partir desse modelo, foram treinados modelos auxiliares para predizer os erros de predição do algoritmo original. Estes erros, divididos em tipo 1 (falsos positivos), tipo 2 (falsos negativos) e erros gerais, refletem as principais falhas que podem comprometer a confiabilidade de predições. Entre os modelos auxiliares, o XGBoost apresentou melhor desempenho, com AUCs variando de um mínimo de 0,662 para a predição de erros tipo 1 em mortalidade até 0,870 para a predição de erros tipo 2 em UTI. A análise de grupos, que cruzou as predições do modelo base com as dos modelos auxiliares, identificou situações em que os erros de predição eram mais frequentes, destacando áreas críticas para melhoria dos modelos. Esses resultados sugerem que a integração de modelos auxiliares pode melhorar a identificação de pacientes com alto risco de erro na predição inicial, contribuindo para decisões clínicas mais informadas.