Pesquisadores treinam algoritmos para calcular probabilidade de infecção por coronavírus a partir de exames de sangue

Segundo Edson Amaro, médico e superintendente de ciência de dados e analytics do Einstein, ainda é preciso fazer a “validação externa”, ou seja, replicar os testes em outros locais para confirmar os resultados.

O estudo foi financiado pelo Programa de Apoio ao Desenvolvimento Institucional do Sistema Único de Saúde (Proadi-SUS) e publicado em formato “pre print”, ou seja, quando o estudo ainda não passou pela revisão de pares, no repositório medRxiv, que reúne pesquisas na área de ciências da saúde e é mantido por entidades como a Universidade de Yale, nos Estados Unidos.

A análise usou dados de 235 pacientes atendidos no pronto-socorro do hospital entre 17 e 30 de março deste ano. Todos eles passaram, num período de 24 horas, tanto pela coleta de exame de sangue quanto de uma amostra para a realização do RT-PCR, o teste molecular para a detecção do novo coronavírus, que provoca a Covid-19.

Desses, 102 acabaram recebendo o resultado positivo para o vírus.

Também foram usados cinco algoritmos diferentes que podem ser treinados para aprender a prever cenários a partir de uma série de dados. Nesse caso, os dados de 70% dos pacientes escolhidos aleatoriamente foram usados para treinar os algoritmos para descobrirem possíveis padrões entre os resultados do exame de sangue e o resultado positivo para o teste RT-PCR.

Então, os pesquisadores testaram o aprendizado dos algoritmos usando os dados dos exames de sangue dos demais 30% dos pacientes.

O estudo mostra que os pacientes em que o resultado do teste da Covid-19 foi positivo apresentaram, em geral, uma média mais baixa de leucócitos, linfócitos, monócitos, basófilos e eosinófilos, células presentes no sangue das pessoas e cujo nível pode ser analisado por meio de hemogramas.

Segundo o artigo, dos cinco algoritmos, todos conseguiram um resultado preditor considerado “muito bom”, variando entre 0.842 e 0.847, numa escala que varia entre 0 e 1, onde 1 seria um acerto em 100% das vezes.

Um deles, conhecido como “máquina de vetores de suporte”, foi indicado pelos pesquisadores como o modelo mais eficaz na análise. Segundo o artigo, no conjunto de pacientes em que o algoritmo indicou uma probabilidade de 80% a 100% para o teste positivo para Covid-19, ele acertou em 82% das vezes. Já entre os pacientes em que a probabilidade indicada era de entre 0% e 20%, o algoritmo errou em 12% dos casos.

André Batista, um dos pesquisadores envolvidos no estudo, explica que a opção de treinar os algoritmos na análise do sangue dos pacientes foi escolhida porque os hemogramas “são exames que são coletados de maneira mais fácil, mais ampla, e talvez isso ser usado como um dos pontos de decisão”.

Segundo Batista, que é formado na graduação, mestrado e doutorado em computação, mas atualmente faz seu pós-doutorado na Faculdade de Saúde Pública da Universidade de São Paulo (FSP-USP), as conclusões após a primeira fase de análise são que o estudo “é promissor, os resultados são animadores, as métricas calculadas com todo o rigor indicam isso. E no ‘machine learning’ (aprendizado de máquina, em inglês), quanto mais dados, mais preciso e realista vai ser o modelo”.

O artigo traz a ressalva, por exemplo, de que as respostas do aprendizado de máquina podem variar em fases diferentes da doença ou considerando o intervalo de tempo entre o aparecimento dos sintomas e o momento de coleta dos exames.

Amaro explica, ainda que “uma das coisas da validação externa é que agora você tem que fazer a seguinte pergunta: e se ele tiver outra infecção viral?” Segundo ele, será preciso entender se o algoritmo é capaz de diferenciar outras infecções da Covid-19. “No estágio atual a gente não consegue analisar isso”, afirmou o médico.

Ele diz, também, que “a virologia não é tão simples”, já que uma mesma pessoa pode estar infectada por uma associação de mais de um vírus, por exemplo. Por isso é importante considerar o contexto em que os dados do estudo serão utilizados.

Especialista na aplicação da inteligência artificial na área da saúde, o professor Alexandre Chiavegatto, da Faculdade de Saúde Pública da USP, explica que, em um cenário ideal, os governos teriam testes suficientes para todas as pessoas, e poderiam dar o atendimento necessário a todos os pacientes com necessidade de ventilação mecânica ou ambiente de isolamento para evitar contágio.

Mas o cenário real no Brasil e em outras partes do mundo está longe disso, e atualmente não há nem testes nem leitos para todos os doentes, caso a epidemia se dissemine sem medidas de restrição do contágio.

“A minha opinião é que todos devem receber o exame. Mas a estrutura atual brasileira não comporta atualmente. A inteligência artificial pode ajudar caso essa escolha seja necessária”, afirmou Chiavegatto. “A ideia nunca é a inteligência artificial tomar decisões sozinha, mas sempre dando subsídio, apoio, para as decisões dos profissionais de saúde, caso tenham de tomá-las.”