USO DE MACHINE LEARNING PARA PREDIÇÃO DE ERROS EM MODELOS DE MORTALIDADE POR COVID-19

Neste estudo, exploramos uma abordagem de machine learning para prever a mortalidade por COVID-19 em hospitais brasileiros, utilizando variáveis clínicas e laboratoriais. Inicialmente, um modelo XGBoost foi treinado para prever óbitos por COVID-19, com dados de pacientes de todas as regiões do Brasil. As variáveis incluídas foram: idade, sexo, frequência cardíaca, frequência respiratória, pressão arterial sistólica e diastólica, pressão arterial média, temperatura, hemoglobina, plaquetas, hematócrito, contagem de células vermelhas, HCM, RDW, VCM, leucócitos, neutrófilos, linfócitos, basófilos, eosinófilos, monócitos e PCR. A performance do modelo foi avaliada utilizando a métrica AUC, que resultou em 83%. Para melhorar a identificação de casos que o modelo inicial poderia falhar, desenvolvemos um segundo modelo, também utilizando XGBoost, para prever os erros de predição do primeiro modelo. O segundo modelo atingiu um AUC de 73%. Analisamos a probabilidade de predição e agrupamos os resultados em três grupos iguais, identificando que a taxa de erro de predição variava entre 20% e 31% entre esses grupos. Os resultados indicam que é possível utilizar um segundo modelo para identificar grupos de pacientes onde o primeiro modelo apresenta maior probabilidade de erro, seja na previsão de óbito ou na previsão de sobrevivência. Este tipo de estudo é de extrema importância, pois permite refinar a precisão dos modelos preditivos, fornecendo informações críticas para a tomada de decisão clínica. A capacidade de prever onde os modelos podem falhar pode ajudar a direcionar recursos e atenção para os pacientes mais vulneráveis, potencialmente melhorando os desfechos clínicos e salvando vidas.