Corpo Discente - Egressos

Ricardo João Soares Barros Filho

Título

Desenvolvimento do software oxyvent® para otimização do processo de manejo da insuficiência respiratória e da predição clínica de pacientes humanos acometidos pelo SARS-COV-2

Data da Defesa

29/01/2024

Download

Visualizar Arquivo

Banca

Examinador	Instituição	Aprovado	Tipo
Prof.ª Dr.ª Janaína de Fátima Saraiva Cardoso	Universidade Federal do Piauí	Sim	Suplente
Prof. Dr. Avelar Alves da Silva	Universidade Federal do Piauí	Sim	Titular
Prof. Dr. Ney Rômulo de Oliveira Paula	Universidade Federal do Piauí	Sim	Presidente
Prof. Dr. Rômulo José Vieira	Universidade Federal do Piauí	Sim	Titular

Palavras-Chaves

Inteligência artificial; Predição clínica; Covid 19

Resumo

O novo coronavírus SARS-CoV-2 ficou conhecido como vírus responsável pela COVID-19 provocando uma síndrome complexa. Esta síndrome é caracterizada por uma resposta inflamatória agressiva decorrente da liberação maciça de citocinas, vinculada a aspectos imunopatológicos da doença com maior acometimento do sistema respiratório e elevada mortalidade. O objetivo deste trabalho foi desenvolver um software para otimização do processo de manejo da insuficiência respiratória e da predição clínica dos pacientes humanos com diagnóstico de COVID-19. A base de dados deste dispositivo foi originada de um estudo de coorte retrospectivo que coletou os dados: idade, sexo, comorbidades, sintomas, exames, condutas assistenciais em oxigenoterapia com registros dos seus desfechos e tempos de utilização, monitoramento de escores/índices de oxigenoterapia em 624 prontuários de pacientes em um hospital de Teresina-PI. Estes dados foram pré-processados e submetidos a um classificador quântico variacional em um modelo de abordagem híbrida de inteligência artificial e comparado a um modelo clássico de rede neural profunda com a utilização de 70% dos dados para treinamento e 30% dos dados para validação. O modelo quântico apresentou acurácia de 96% quando comparado ao modelo de rede neural profunda simples que apresentou 90% na predição de óbito ou intubação. O algoritmo quântico apresentou área sob a curva ROC (AUC) de 0,95; de 0,96; de 0,91 para predizer alta melhorada, óbito e intubação respectivamente. Os valores de Shapley Additive exPlanations foram usados para quantificar os impactos, positivo ou negativo de variáveis inclusas no modelo de aprendizagem de máquina. Esta ferramenta foi interligada ao desenvolvimento de um aplicativo para utilização clínica que passou por validação de juízes por aplicação de questões relacionadas ao modelo de qualidade de produto proposto pela norma ISSO/IEC 25010, pontuadas pela escala de Likert, alcançando mais de 70% de indicações como apropriadas. O produto tecnológico produzido destacou-se por combinar diversas variáveis consideradas na condução de pacientes com COVID 19, especialmente exames, tratamento e monitoramento de oxigenoterapia ao longo do tempo de internação com precisão.

Abstract

The novel coronavirus SARS-CoV-2 became known as the virus responsible for COVID-19, causing a complex syndrome. This syndrome is characterized by an aggressive inflammatory response resulting from the massive release of cytokines, linked to immunopathological aspects of the disease with a greater involvement of the respiratory system and high mortality. The objective of this work was to develop software to optimize the management of respiratory failure and the clinical prediction of human patients diagnosed with COVID-19. The database for this device originated from a retrospective cohort study that collected data such as age, sex, comorbidities, symptoms, tests, therapeutic measures in oxygen therapy with records of outcomes and usage times, and monitoring of oxygen therapy scores/indices in 624 patient records at a hospital in Teresina, Piauí. These data were preprocessed and subjected to a variational quantum classifier in a hybrid artificial intelligence approach model and compared to a classical deep neural network model using 70% of the data for training and 30% of the data for validation. The quantum model achieved an accuracy of 96% compared to the simple deep neural network model, which achieved 90% in predicting death or intubation. The quantum algorithm showed area under the ROC curve (AUC) values of 0.95, 0.96, and 0.91 for predicting improved discharge, death, and intubation respectively. The Shapley Additive Explanations values were used to quantify the positive or negative impacts of variables included in the machine learning model. This tool was integrated into the development of an application for clinical use, which underwent validation by judges through questions related to the product quality model proposed by the ISO/IEC 25010 standard, scored on the Likert scale, achieving over 70% indications as appropriate. The technological product produced stood out by combining several variables considered in the management of COVID-19 patients, especially tests, treatment, and monitoring of oxygen therapy throughout the hospitalization period with accuracy.

Voltar Topo