Inteligência artificial pode ajudar pacientes a interpretar testes caseiros para COVID-19

A nova pesquisa de aprendizado de máquina liderada pelos professores Farrokh Alemi e Janusz Wojtusiak, da George Mason University, fornece uma maneira de pacientes e médicos preverem melhor se os sintomas são devidos ao COVID-19, influenza ou RSV.

Um diagnóstico mais preciso leva a melhores decisões sobre o curso dos cuidados para curar os pacientes e evitar que a doença se espalhe. Com colegas pesquisadores da George Mason University e Vibrent Health, Alemi e Wojtusiak publicaram recentemente uma série de artigos em uma edição especial do Revista de Gestão da Qualidade em Saúde discutindo como a inteligência artificial (IA) pode ajudar no diagnóstico de COVID a partir de uma combinação de sintomas e testes caseiros.

Com sua pesquisa, Alemi e Wojtusiak agora estão trabalhando em um site para fornecer um recurso baseado em IA para ajudar os indivíduos a identificar as ações recomendadas como resultado de seu perfil clínico e resultados de testes domiciliares de COVID.

“Vemos a IA trabalhando para melhorar radicalmente a triagem clínica e as decisões de testar para tratar”, disse Wojtusiak.

Alemi acrescentou: “A IA permitirá que os indivíduos se sintam mais confiantes sobre suas decisões de ficar em casa, procurar atendimento ou isolar-se socialmente. Muitas pessoas fazem o teste no final de seus sintomas e, surpreendentemente, descobrem que ainda são positivas. O que fazer se os sintomas e os resultados dos testes caseiros não coincidem? Nossa IA ajudará esses indivíduos a entender como proceder.”

O estudo no artigo 1 (conforme listado abaixo) descobriu que o momento dos sintomas é importante em um diagnóstico de COVID. Por exemplo, um coriza como um sintoma inicial aumentou as chances de teste positivo para COVID, e um corrimento nasal como um sintoma que ocorreu posteriormente diminuiu as chances. Da mesma forma, a febre é quase sempre um sintoma tardio, portanto, a falta de febre no início não deve ser usada para descartar a COVID.

Os resultados do artigo 2 descobriram que o COVID não pode ser diagnosticado a partir de sintomas individuais; no entanto, um conjunto de três ou mais sintomas pode ajudar no diagnóstico. As descobertas do artigo 4 mostraram que a precisão do diagnóstico de sintomas de COVID era maior quando os sintomas de diferentes sintomas corporais estavam presentes. Por exemplo, uma combinação de sintomas neurológicos e respiratórios comuns foi mais diagnóstica do que qualquer um dos conjuntos de sintomas individualmente. Além disso, o COVID tem diferentes apresentações dependendo da idade, gravidade da doença e mutações do vírus.

O Documento 3 discute como uma triagem de sintomas de IA pode melhorar – e para indivíduos vacinados substituir – os testes de antígeno em casa. Os testes em casa nem sempre são precisos e requerem revisão clínica, mas esses testes são feitos em casa, onde essa revisão não está disponível. A triagem de sintomas de IA pode ajudar a tornar esses testes mais precisos. O estudo relata que a triagem de sintomas de IA é mais precisa do que fazer um segundo teste em casa.

Os quatro artigos publicados no suplemento especial são:

1. Ordem de ocorrência dos sintomas da COVID-19
2. O papel dos grupos de sintomas na triagem de pacientes com COVID-19
3. Triagem combinada de sintomas e testes domiciliares para COVID-19
4. Diretrizes para triagem de pacientes com COVID-19 que apresentam sintomas multissistêmicos

Um quinto artigo, intitulado Modeling the Probability of COVID-19 Based on Symptom Screening and Prevalence of Influenza and Influenza-like Illnesses, do mesmo grupo de pesquisadores, também foi publicado no Revista de Gestão da Qualidade em Saúde em abril/junho de 2022.

Alemi era o investigador principal de Mason. Mason era um subcontratado da Vibrent Health, onde Praduman Jain era o principal investigador do projeto. (Jain é membro do conselho consultivo da Faculdade de Saúde Pública de Mason.) Outros pesquisadores afiliados a Mason nesses projetos incluem a professora associada Amira Roess, o membro do corpo docente afiliado Jee Vang, a estudante de doutorado Elina Guralnik e o ex-aluno e professor adjunto Wejdan Bagais. Rachele Peterson e Josh Schilling da Vibrent Health e F. Gerard Moeller da Virginia Commonwealth University também fizeram parte da equipe de pesquisa.

Os métodos usados ​​nesses cinco artigos variam. No artigo 4, os pesquisadores conduziram uma meta-análise da literatura, usando dados de artigos publicados. Nos outros artigos, os pesquisadores entrevistaram pacientes que fizeram um teste de PCR e examinaram a relação entre os sintomas dos pacientes e os resultados do teste de PCR. A maioria das pesquisas foi feita usando dados coletados entre outubro de 2020 e janeiro de 2021, antes das variantes atuais, como BA.5 ou BQ.1.

Publicações anteriores relacionadas por esses investigadores incluem um estudo que examina como os computadores podem distinguir entre COVID-19 e gripe e uma análise de universitários sintomáticos e distanciamento social.