Status clínico da COVID-19 associado à gravidade do resultado: uma abordagem de aprendizado de máquina não supervisionada

Desde o início da pandemia de COVID-19, 195 milhões de pessoas foram infectadas e 4,2 milhões morreram da doença ou de seus efeitos colaterais. Médicos, cientistas da saúde e equipes médicas tentam continuamente lidar com admissões hospitalares sobrecarregadas, enquanto, paralelamente, tentam identificar correlações significativas entre a gravidade dos pacientes infectados com seus sintomas, comorbidades e biomarcadores. A Inteligência Artificial (IA) e o Aprendizado de Máquina (ML) foram usados ​​recentemente em muitas áreas relacionadas aos cuidados com a saúde da COVID-19. O principal objetivo é gerir de forma eficaz a grande variedade de questões relacionadas com o COVID-19 e as suas consequências. As aplicações existentes de ML para a saúde COVID-19 são baseadas em classificação supervisionada que requer um conjunto de dados de treinamento rotulado, servindo como ponto de referência para o aprendizado, bem como classes predefinidas. No entanto, o conhecimento existente sobre o COVID-19 e suas consequências ainda não é sólido e os pontos de consenso entre as diferentes comunidades científicas ainda não são claros.

Portanto, este estudo teve como objetivo seguir uma abordagem de agrupamento não supervisionado, onde o conhecimento prévio não é necessário (tabula rasa).

Mais especificamente, 268 pacientes hospitalizados no Primeiro Departamento Propedêutico de Medicina Interna do Hospital Universitário AHEPA de Thessaloniki foram avaliados em termos de 40 variáveis ​​clínicas (numéricas e categóricas), levando a um conjunto de dados de alta dimensionalidade. A redução da dimensionalidade foi realizada aplicando Análise de Componentes Principais (PCA) na parte numérica do conjunto de dados e Análise de Correspondência Múltipla (MCA) na parte categórica do conjunto de dados. Em seguida, o Bayesian Information Criterion (BIC) foi aplicado aos Gaussian Mixture Models (GMM) para identificar o número ótimo de clusters, sob o qual ocorre o melhor agrupamento de pacientes.

A metodologia proposta identificou 4 clusters de pacientes com características clínicas semelhantes. A análise revelou um grupo de pacientes assintomáticos que resultaram em óbito a uma taxa de 23,8%.

Esse resultado impressionante nos obriga a reconsiderar a relação entre a gravidade dos sintomas clínicos da COVID-19 e a mortalidade do paciente.