A+ A- Acessibilidade
EnglishPortuguese
Buscar

Autores

J. Delafiori, L.C. Navarro, RF Siciliano, et al.

Descrição

A base contém dados relativos a espectrometria de amostras de plasma de Covid-19 para serem utilizados em processos de aprendizado de máquina. A base de dados foi utilizada no desenvolvimento do trabalho relativo à publicação indicada abaixo. A Covid-19 ainda está impactando significativamente a saúde das populações e a economia dos países ao redor do mundo. Deficiências no processo de triagem de pacientes e controle de risco exercem um papel fundamental na forma com que governos e autoridades direcionam recursos e planejam reaberturas e medidas sanitárias para conter o avanço da doença, especialmente em regiões nas quais a pobreza interfere significativamente no contexto. Um método de diagnóstico eficiente deve ser altamente preciso e, ao mesmo tempo, possuir um custo-benefício positivo e atraente. Nós combinamos algoritmos baseados em aprendizado de máquina com espectrometria de massa para criar uma plataforma ágil capaz de separar amostras de plasma de Covid-19 em poucos minutos, além de disponibilizar ferramentas para avaliação de risco, com o objetivo de auxiliar profissionais da saúde na tomada de decisão relativa aos cuidados do paciente. Um estudo de corte transversal envolvendo 815 pacientes (442 casos positivos, 350 casos recuperados e 23 suspeitas) foi desenvolvido em três epicentros no Brasil, entre os meses de abril e julho de 2020. Pudemos eleger e identificar 19 moléculas que estão relacionadas às características patofisiológicas da doença, além de diversos atributos relacionados ao histórico de saúde dos pacientes. O método aplicado no diagnóstico de Covid-19 revelou especificidade de >96% e sensibilidade de >80%, e especificidade de >80% e sensibilidade de >85% durante avaliação de risco. Nosso método introduziu uma nova abordagem para a triagem de casos de Covid-19, oferecendo uma detecção indireta de infecção através de dados relativos a metabolismo, contextualizando os resultados em relação às características patofisiológicas da doença. As análises combinadas trouxeram robustez ao modelo desenvolvido com algoritmos de aprendizado de máquina, transformando a abordagem do processo de triagem em uma ferramenta com grande potencial para aplicação no mundo real.

Publicação relacionada

 J. Delafiori, L. C. Navarro, RF Siciliano, et al. “Covid-19 automated diagnosis and risk assessment through Metabolomics and Machine Learning“.

EnglishPortuguese