Modelos Preditivos Genéricos para Identificação do Agravamento Clínico de Pacientes durante Surtos Epidêmicos
Contexto Epidêmico, Aprendizado por Transferência, Predição, Quadro Clínico, Pacientes.
Em cenários médicos, prever e monitorar o agravamento clínico de pacientes são essenciais para a tomada de decisões preventivas, clínicas, na alocação de recursos e na implementação de estratégias de controle. Estratégias que fornecem um índice de agravamento de quadro clínico, através de dados sintomáticos, fatores de risco, informações demográficas e características pessoais, podem ajudar no prognóstico, assistência prioritária e alocação de recursos médicos, diminuindo os índices de mortalidade e internação. Modelos preditivos baseados em aprendizado de máquina podem ser utilizados, no entanto é uma técnica limitante, uma vez que o cenário ideal dessa abordagem requer grande quantidade de dados de treinamento e ajustes no modelo para novos contextos, garantir esse cenário não é uma tarefa trivial e que demanda bastante esforço e tempo, o que em períodos de surtos dessas doenças atrasaria essas tomadas de decisão. A literatura tem demonstrado que modelos de agravamento clínico de pacientes são factíveis e importantes para toda a sociedade, incluindo os cidadãos e os gestores públicos da Saúde. Este trabalho objetiva propor uma nova abordagem, baseada em aprendizado por transferência, uma técnica que permite guardar conhecimento obtido e aplicá-lo em um domínio ou conexto de destino semelhante, criando um modelo genérico, através da identificação de padrões comuns entre diferentes doenças e, assim fornecer previsões sobre o agravamento do quadro clínico dos pacientes. Desta forma, tal abordagem pode ser aplicada a uma ampla gama de patologias com características em comum, provendo uma abordagem única para aplicação em diferentes contextos epidêmicos.