Análise de sobrevivência & inteligência artificial para investigação dos fatores prognósticos de sobrevida global, sobrevida livre de progressão e previsão de severidade de COVID-19
Documento
Informações
Título
Análise de sobrevivência & inteligência artificial para investigação dos fatores prognósticos de sobrevida global, sobrevida livre de progressão e previsão de severidade de COVID-19
Title
Survival analysis & machine learning to investigate prognostic factors of overall survival, progression-free survival and perediction of severity of COVID-19
Autor(es)
Alexandre de Fátima Cobre, Beatriz Böger, Mariana M. Fachi, Raquel O. Vilhena, Fernanda S. Tonin, Roberto Pontarolo
Edição
OUTUBRO/DEZEMBRO 2025
Tipo de Artigo
ORIGINAL ARTICLES / ARTIGOS ORIGINAIS
Curso
Farmácia e Bioquímica
Palavras-chave
Coronavirus, comorbidities, Cox regression, Artificial neural network, Decision tree, severity
Resumo (EN)
Objective – COVID-19 remains an emergency public health problem. We aimed to investigate the prognostic factors of Overall survival (OS), Progression-free survival (PFS) in patients with COVID-19 and develop two machine learning (ML) models to predict disease severity. Methods – A retrospective cohort study was performed including patients with a positive diagnostic for COVID-19 in Mexico (January-November 2020). Cox regression analysis was used to investigate the prognostic factors of OS and PFS. Artificial neural network (ANN) and decision tree (TD) models were also developed to predict disease severity. Results – We included 95,839 patients. The medians OS and PFS were, 9.087 days (8.887-9,287) and 8.233 (8.036-8.430), respectively. Women aged >40 years, intubated patients and previous comorbidities were significantly associated with shorter OS and PFS times. The ANN and DT models were able to predict the severity of COVID-19, with an accuracy (area under the ROC curve) of 99.5% and 99.8%, respectively. The DT model showed better performance, because it showed less training time and less prediction error. Conclusion – In Mexico, elderly women that needed intubation and had comorbidities were associated with a worse prognosis of OS and PFS for COVID-19. The DT model could be used as a tool to predict the hospitalization of COVID-19 outpatients.
Resumo
Objetivo – COVID-19 continua sendo um problema emergencial de saúde pública. Nosso objetivo foi investigar os fatores prognósticos de sobrevida global (OS), sobrevida livre de progressão (PFS) em pacientes com COVID-19 e desenvolver dois modelos de aprendizado de máquina (ML) para prever a gravidade da doença. Métodos – Um estudo de coorte retrospectivo foi realizado incluindo pacientes com diagnóstico positivo para COVID-19 no México (janeiro a novembro de 2020). A análise de regressão de Cox foi usada para investigar os fatores prognósticos de OS e PFS. Rede neural artificial (RNA) e modelos de árvore de decisão (DT) também foram desenvolvidos para prever a gravidade da doença. Resultados – Incluímos 95.839 pacientes. As medianas de OS e PFS foram, 9,087 dias (8,887-9,287) e 8,233 (8,036-8,430), respectivamente. Mulheres com idade> 40 anos, pacientes intubados e comorbidades anteriores foram significativamente associados a tempos de OS e PFS mais curtos. Os modelos ANN e DT foram capazes de predizer a severidade da COVID-19, com acurácia (área sob a curva ROC) de 99,5% e 99,8%, respectivamente. O modelo DT apresentou melhor desempenho, pois apresentou menor tempo de treinamento e menor erro de predição. Conclusão – No México, mulheres idosas que precisaram de intubação e tinham comorbidades foram associadas a um pior prognóstico de OS e PFS para COVID-19. O modelo DT pode ser usado como uma ferramenta para prever a hospitalização de pacientes ambulatoriais com COVID-19.
Instituição
Universidade Paulista
Direito de Acesso
Acesso Aberto