Author:

• José Carlos Prado Junior - Prado Junior, J.C - <jcpradojr@gmail.com>
ORCID: orcid.org/0000-0002-8438-0527

Co-author(s):

• Alexandre Evsukoff - Evsukoff, A - <evsukoff@gmail.com>
ORCID: orcid.org/0000-0002-7828-0124
• Roberto de Andrade Medronho - Medronho, R.A - <medronho@medicina.ufrj.br>
ORCID: https://orcid.org/0000-0003-4073-3930

Abstract:

Contexto: A doença coronavírus 2019 (COVID-19), que surgiu em dezembro de 2019, tornou-se um problema significativo de saúde pública global. A pandemia de COVID-19 evoluiu de forma dinâmica com o surgimento de novas variantes e o aumento da cobertura vacinal. Dada a alta taxa de mortalidade da COVID-19 grave, os modelos de previsão de gravidade da doença precisam incorporar essas variações temporais. Este estudo teve como objetivo desenvolver um modelo para prever a mortalidade por COVID-19 em pacientes hospitalizados.
Métodos: O modelo Extreme Gradient Boost (XGBoost) foi utilizado para prever a mortalidade por COVID-19 na admissão hospitalar, e os resultados foram correlacionados com os resultados de exames laboratoriais, status vacinal, comorbidades e sinais e sintomas clínicos no momento da admissão. Dados clínicos de prontuários eletrônicos, bancos de dados de vacinação e notificações de síndrome respiratória aguda grave foram utilizados.
Resultados: O modelo XGBoost obteve o melhor desempenho, com uma área sob a curva (AUC) de 96,4% na semana epidemiológica 53 de 2020. As variáveis mais significativas para o modelo foram temperatura corporal, pressão arterial, taxa respiratória, frequência cardíaca, ureia, magnésio, níveis de sódio e proteína C reativa.
Conclusões: Nosso estudo identificou variáveis clínicas e laboratoriais chave para a previsão de mortalidade por COVID-19. Além disso, demonstramos como o desempenho dos modelos variou ao longo da pandemia

Keywords:

Modelagem preditiva, COVID-19, Mortalidade, Aprendizado de máquina, Algoritmo XGBoost

Content:

Access Issue in Scielo

Other languages: