Modelos preditivos para identificação do agravamento clínico de pacientes durante surtos epidêmicos

Abstract

Prever e monitorar o agravamento clínico de pacientes é essencial para decisões preventivas, intervenções clínicas, alocação eficiente de recursos e implementação de estratégias de controle. Ferramentas que ofereçam índices de agravamento clínico baseados em dados sintomáticos, fatores de risco, informações demográficas e características pessoais podem melhorar o prognóstico, priorizar assistência médica e otimizar recursos, contribuindo para a redução de mortalidade e taxas de internação. Modelos preditivos baseados em aprendizado de máquina são viáveis para utilização como apoio ao prognóstico e na alocacão antecipada de recursos. Neste trabalho foi desenvolvido um modelo preditivo de mortalidade para pacientes com síndromes respiratórias agudas graves causadas por Influenza e testada para outras três classes de agentes etiológicos, sendo estes: COVID-19, vírus respiratórios e outros agentes etiológicos, conforme classificação do Ministério da Saúde. Além disso, valida uma metodologia previamente descrita na construção de modelos aplicados às doenças infecciosas. O modelo foi treinado utilizando dados históricos (2021–2024) disponíveis na plataforma OpenDataSUS, tais como os sintomas, as comorbidades, o histórico vacinal e informações demográficas de casos confirmados de Influenza de vários estados do Brasil. Para tanto, 14 algoritmos foram avaliados, e o Random Forest Classifier alcançou os melhores resultados. O modelo teve um bom desempenho em previsões de Influenza, outros vírus respiratórios e outros agentes etiológicos com dados de validação obtendo uma acurácia média de 78%, precisão de 80% e F1-Score de 82%. Foi identificado que a idade foi o principal atributo relacionado aos óbitos e os atributos dispneia, desconforto respiratório e tosse foram os principais sintomas explicativos para a previsão da mortalidade.