Estimativa do subdiagnóstico de COVID-19 utilizando machine learning e nowcasting

Leandro Pereira Garcia André Vinícius Gonçalves Matheus Pacheco Andrade Lucas Alexandre Pedebôs Ana Cristina Vidor Roberto Zaina Ana Luiza Curi Hallal Graziela de Luca Canto Jefferson Traebert Gustavo Medeiros de Araújo Fernanda Vargas Amaral Sobre os autores

RESUMO:

Objetivo:

Analisar o subdiagnóstico da COVID-19 por meio de nowcasting com machine learning em uma capital do sul do Brasil.

Métodos:

Estudo ecológico observacional utilizando dados de 3.916 casos notificados de COVID-19 de 14 de abril a 2 de junho de 2020 em Florianópolis, Brasil. O algoritmo de machine learning foi usado para classificar os casos que ainda não tinham diagnóstico, produzindo o nowcasting. Para analisar o subdiagnóstico, foi comparada a diferença entre os dados sem nowcasting e a mediana das projeções com nowcasting para todo o período e para os seis dias a partir da data de início dos sintomas.

Resultados:

O número de novos casos sem nowcasting durante todo o período foi de 389, com nowcasting foi de 694 (IC95% 496–897). No período de seis dias, o número sem nowcasting foi de 19 e 104 (IC95% 60–142) com nowcasting. O subdiagnóstico foi de 37,29% em todo o período e 81,73% no período de seis dias. O subdiagnóstico foi mais crítico em seis dias, desde a data do início dos sintomas até o diagnóstico antes da coleta de dados, do que em todo o período.

Conclusão:

O uso de nowcasting com técnicas de machine learning pode ajudar a estimar o número de novos casos da doença.

Palavras-Chave:
COVID-19; Sub-Registro; Prognóstico imediato; Aprendizado de máquina

Associação Brasileira de Saúde Coletiva Av. Dr. Arnaldo, 715 - 2º andar - sl. 3 - Cerqueira César, 01246-904 São Paulo SP Brasil , Tel./FAX: +55 11 3085-5411 - Rio de Janeiro - RJ - Brazil
E-mail: revbrepi@usp.br