Resumo

PINASCO, Gustavo Carreiro et al. An interpretable machine learning model for COVID-19 screening. J. Hum. Growth Dev. [online]. 2022, vol.32, n.2, pp. 268-274. ISSN 0104-1282.  http://dx.doi.org/10.36311/jhgd.v32.13324.

INTRODUÇÃO: a Doença do Coronavírus 2019 (COVID-19) é uma doença viral que foi declarada uma pandemia pela OMS. Testes diagnósticos são caros e nem sempre estão disponíveis. Pesquisas utilizando a abordagem de aprendizado de máquina (ML) para o diagnóstico de infecção por SARS-CoV-2 têm sido propostas na literatura para reduzir custos e permitir melhor controle da pandemia OBJETIVO: nosso objetivo é desenvolver um modelo de aprendizado de máquina para prever se um paciente tem COVID-19 com dados epidemiológicos e características clínicas MÉTODO: usamos seis algoritmos de ML para triagem de COVID-19 por meio de predição diagnóstica e fizemos uma análise interpretativa usando modelos SHAP e importâncias de recursos RESULTADOS: nosso melhor modelo foi o XGBoost (XGB) que obteve área sob a curva ROC de 0,752, sensibilidade de 90%, especificidade de 40%, valor preditivo positivo (VPP) de 42,16% e valor preditivo negativo ( VPL) de 91,0%. Os melhores preditores foram febre, tosse, história de viagem internacional há menos de 14 dias, sexo masculino e congestão nasal, respectivamente CONCLUSÃO: Concluímos que o ML é uma importante ferramenta de triagem com alta sensibilidade, em comparação aos testes rápidos, e pode ser usado para potencializar a precisão clínica na COVID-19, doença em que os sintomas são muito inespecíficos

Palavras-chave : COVID-19; aprendizado de máquina; inteligência artificial; pandemia.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )