Publicação
Previsão automática da mortalidade em UCI de doentes com síndrome da dificuldade respiratória aguda associada à COVID-19 utilizando radiografias de tórax e dados clínicos
| Resumo: | A síndrome da dificuldade respiratória aguda associada à COVID-19 (ARDS-COV19), é uma síndrome pulmonar grave que resulta em insuficiência respiratória aguda. A ARDS é complexa e heterogénea, exigindo frequentemente ventilação mecânica invasiva (VMI) em unidades de cuidados intensivos (UCI). A identificação de grupos de risco é crucial para a medicina de precisão, embora a falta de métodos de diagnóstico seja limitativo. A radiografia torácica é um exame imagiológico, qualitativo e acessível, utilizado na rotina das UCIs. É essencial o desenvolvimento de um classificador multivariado e quantitativo, baseado em radiomics, para a previsão da mortalidade destes doentes sob VMI. Para este efeito foram incluídos 110 doentes ARDS-COV19 de uma UCI, com uma idade média de 63,2 ± 11,92 anos, sendo 61,2% do sexo masculino. A mortalidade foi de 47,3%. Radiografias do 1º e 3º dia de VMI foram recolhidas, pré-processadas e concatenadas. Características de deep learning foram então extraídas, utilizando uma rede neuronal convolucional pré-treinada (CheXnet). Estas características foram acopladas a variáveis clínicas (VC), para a construção de dois modelos de aprendizagem automática, um de regressão logística (LogReg) e um perceptrão multicamada (MLP). A idade, a razão PaO2/FiO2 do 3º dia de VMI e uma característica de imagem (DLF_258) foram utilizadas nos modelos finais. Os modelos que incluíram a DLF_258, apresentaram 89% (LogReg) e 82% (MLP) de probabilidade de terem melhor exatidão, do que os modelos de VC. No grupo de teste interno (23 doentes), o modelo de LogReg obteve os melhores resultados e menor overfitting, com uma área under the ROC curve (AUC) de 0,862 95%CI [0.654, 0.969], uma exatidão de 0,783 95%CI [0.563, 0.926] e um score de F1 de 0,783 95%CI [0.563, 0.926]. Apesar dos resultados promissores, o número de amostras foi reduzido, não existindo um teste externo. A recolha de dados e posterior validação são assim essenciais. |
|---|---|
| Autores principais: | Galvão, Tiago Alexandre dos Santos |
| Assunto: | ARDS UCI COVID-19 Radiografia Mortalidade ARDS ICU COVID-19 X-ray |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Lisboa |
| Idioma: | português |
| Origem: | Repositório Científico do Instituto Politécnico de Lisboa |
| Resumo: | A síndrome da dificuldade respiratória aguda associada à COVID-19 (ARDS-COV19), é uma síndrome pulmonar grave que resulta em insuficiência respiratória aguda. A ARDS é complexa e heterogénea, exigindo frequentemente ventilação mecânica invasiva (VMI) em unidades de cuidados intensivos (UCI). A identificação de grupos de risco é crucial para a medicina de precisão, embora a falta de métodos de diagnóstico seja limitativo. A radiografia torácica é um exame imagiológico, qualitativo e acessível, utilizado na rotina das UCIs. É essencial o desenvolvimento de um classificador multivariado e quantitativo, baseado em radiomics, para a previsão da mortalidade destes doentes sob VMI. Para este efeito foram incluídos 110 doentes ARDS-COV19 de uma UCI, com uma idade média de 63,2 ± 11,92 anos, sendo 61,2% do sexo masculino. A mortalidade foi de 47,3%. Radiografias do 1º e 3º dia de VMI foram recolhidas, pré-processadas e concatenadas. Características de deep learning foram então extraídas, utilizando uma rede neuronal convolucional pré-treinada (CheXnet). Estas características foram acopladas a variáveis clínicas (VC), para a construção de dois modelos de aprendizagem automática, um de regressão logística (LogReg) e um perceptrão multicamada (MLP). A idade, a razão PaO2/FiO2 do 3º dia de VMI e uma característica de imagem (DLF_258) foram utilizadas nos modelos finais. Os modelos que incluíram a DLF_258, apresentaram 89% (LogReg) e 82% (MLP) de probabilidade de terem melhor exatidão, do que os modelos de VC. No grupo de teste interno (23 doentes), o modelo de LogReg obteve os melhores resultados e menor overfitting, com uma área under the ROC curve (AUC) de 0,862 95%CI [0.654, 0.969], uma exatidão de 0,783 95%CI [0.563, 0.926] e um score de F1 de 0,783 95%CI [0.563, 0.926]. Apesar dos resultados promissores, o número de amostras foi reduzido, não existindo um teste externo. A recolha de dados e posterior validação são assim essenciais. |
|---|