23/11/2021 - 09:00 - 10:10
COC 01 - NOVOS MÉTODOS DE EXPLORAÇÃO DE DADOS COM BASE EM INOVAÇÕES TECNOLÓGICAS |
37671 - MACHINE LEARNING PARA OTIMIZAR EXAMES DE DIAGNÓSTICO EM ARBOVIROSES
MARIANE FURTADO - FACULDADE DE SAÚDE PÚBLICA DA USP, JOSÉ CERBINO NETO - INI/FIOCRUZ, ALEXANDRE DIAS PORTO CHIAVEGATTO FILHO - FACULDADE DE SAÚDE PÚBLICA DA USP
Objetivos: Analisar o uso de modelos de machine learning para ordenar a solicitação de exames laboratoriais através da predição da probabilidade associada às diferentes arboviroses. Métodos: A amostra foi composta por 3.017 indivíduos que consultaram 31 unidades de saúde do município do Rio de Janeiro entre os anos de 2016 e 2018. As variáveis de interesse foram a classificação laboratorial para Dengue (n=104), Zika (n=101), Chikungunya (n=593) ou negativo (n=2.219). As variáveis preditoras foram relativas a 14 sintomas, suspeita médica inicial e variáveis demográficas. A análise foi realizada por meio de classificações binárias para cada arbovirose, sendo o banco de dados dividido aleatoriamente em treino (70%) e teste (30%). Algoritmos de Random Forest, XGBoost e MLP foram testados para todos os desfechos, incluindo estratégias de balanceamento amostral. A avaliação de desempenho dos modelos ocorreu pela área abaixo da curva ROC (AUC) e calibração. Para a transformação dos escores preditivos em uma probabilidade na amostra de teste aplicou-se a função softmax. Resultados: As melhores performances preditivas foram obtidas com XGBoost para Dengue e Chikungunya, e Random Forest para Zika. Na análise dos resultados positivos para as arboviroses, o modelo conseguiria reduzir em 57,6% o número de exames realizados. Conclusões: Os dados indicam que, mesmo apenas com a disponibilidade de informações de questionário, existe um potencial do uso de algoritmos de inteligência artificial na melhoria da alocação de tempo e de recursos de exames para o diagnóstico de arboviroses. No futuro, um acréscimo amostral será importante para aprimorar a performance dos modelos.
|
