Modelo de Inteligência Artificial identifica SARS-CoV-2 a partir de exames de sangue e radiografias de tórax

Pesquisadores chineses desenvolveram um modelo de aprendizado de máquina usando exames de sangue feitos durante a primeira e a segunda ondas de infecção do surto de COVID-19, que quando combinados com raios-x alcançou alta sensibilidade na detecção de infecções por COVID-19.

17 Jul, 2021

Um modelo de inteligência artificial (IA) que analisou dados de exames de sangue e radiografias de tórax pode identificar pacientes com infecções por COVID-19 e pode servir em alguns ambientes como um substituto para a reação em cadeia da polimerase de transcrição reversa (RT- PCR), de acordo com um estudo publicado na Scientific ReportsPesquisadores chineses em Hong Kong desenvolveram um modelo de aprendizado de máquina usando exames de sangue feitos durante a primeira e a segunda ondas de infecção desde o início do surto de COVID-19 em abril de 2020. Eles descobriram que, quando combinados com a interpretação de raios-x de um radiologista, o modelo alcançou uma sensibilidade muito alta na detecção de infecções por COVID-19.

"O uso adjuvante de radiografia de tórax pode desempenhar um papel no aumento da sensibilidade ao atingir especificidade moderada quando combinado com um modelo de sangue [aprendizado de máquina], o que pode ter implicações potenciais na triagem de pacientes, particularmente quando os recursos de teste de RT-PCR são escassos", escreveu primeiro autor, Dr. Richard Du e colegas da Universidade de Hong Kong.

A triagem e a priorização de pacientes com suspeita de infecção por SARS-CoV-2 para teste de RT-PCR tem sido essencial no manejo da pandemia de COVID-19 em países com recursos escassos. Embora os testes de RT-PCR sejam considerados o padrão ouro, taxas de falso-negativo entre 10% -61% foram relatadas, escreveram os autores.

Além disso, existe uma disparidade na capacidade de teste globalmente. Nos países ocidentais, o número acumulado de exames por população era 10 vezes maior que o da Ásia e 34 vezes o da África, no final de agosto de 2020, segundo os autores. Eles propõem que testes substitutos em ambientes com recursos escassos podem ser necessários para priorizar RT-PCR para grupos vulneráveis ​​ou de alto risco.

Neste estudo, Du e seus colegas procuraram projetar um modelo de aprendizado de máquina para identificar pacientes com suspeita de infecção por SARS-CoV-2 usando marcadores laboratoriais básicos e exploraram sua precisão quando combinada com achados em radiografia de tórax.

Após as exclusões, os pesquisadores identificaram um total de 5.148 pacientes de 24 hospitais em Hong Kong que haviam feito o teste RT-PCR para o vírus SARS-CoV-2 desde o início do surto local em abril de 2020. Eles treinaram o modelo para detectar Infecção por SARS-CoV-2 usando marcadores laboratoriais básicos, incluindo contagem de leucócitos, linfócitos, plaquetas, proteína C reativa e lactato desidrogenase. Os pesquisadores então exploraram os resultados com base na adição de achados nas radiografias de tórax.

Para prever a infecção por SARS-CoV-2 em exames de sangue, o modelo obteve alta área sob a curva (AUC) e especificidade (89,9% e 91,5%, respectivamente), mas baixa sensibilidade (57,5%). No entanto, quando as interpretações dos radiologistas das radiografias de tórax foram adicionadas ao modelo, ele manteve a alta especificidade e atingiu uma sensibilidade acima de 90%.

"Nosso estudo mostrou que um modelo de aprendizado de máquina baseado em marcadores de laboratório prontamente disponíveis pode alcançar alta precisão na previsão da infecção por SARS-CoV-2. ... Quando usados ​​juntos, o modelo combinado de aprendizado de máquina e radiologistas alcançaram um resultado significativamente maior sensibilidade ", escreveram os autores.

Eles observaram que há um número crescente de evidências que apóiam a utilidade do aprendizado de máquina para a previsão de casos COVID-19. Com a possibilidade de ondas de infecção perpetuamente recorrentes enquanto o mundo luta contra o surgimento de variantes, continua sendo fundamental fornecer um modelo escalonável e oportuno para o diagnóstico nas regiões afetadas, escreveram os pesquisadores. 

"Um modelo [de aprendizado de máquina] pode ser útil em países que não podem pagar grandes suprimentos de kits de teste RT-PCR, especialmente [porque] parece provável que a pandemia assumirá um curso mais prolongado com impacto econômico prolongado", Du et al concluído.

Imagem: Se o valor de saída das explicações aditivas de Shapley (SHAP) estava acima de 0,48, a previsão do teste de sangue foi positiva. A contribuição relativa de cada marcador de laboratório é mostrada no gráfico de valor SHAP individual. (a) Uma mulher idosa com uma predição positiva da radiografia de tórax (sombra bilateral das zonas inferiores) e predição positiva dos marcadores laboratoriais. O resultado do TR-PCR COVID-19 verdadeiro foi positivo.

Fonte: https://www.auntminnie.com/index.aspx?Sec=sup&Sub=xra&Pag=dis&ItemId=132939

 

Compartilhe


NOTÍCIAS RELACIONADAS