Machine learning in predicting severe acute respiratory infection outbreaks / Aprendizado de máquina na previsão de surtos de síndrome respiratória aguda grave / Aprendizaje automático en la predicción de brotes de síndrome respiratorio agudo grave

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Food patterns associated with overweight in 7-11-year old children: machine-learning approach / Padrões alimentares associados ao excesso de peso em crianças de 7 a 11 anos: abordagem de aprendizado de máquina

Abstract Longitudinal study, whose objective was to present a better strategy and statistical methods, and demonstrate its use with the data across the 2013-2015 period in schoolchildren aged 7 to 11 years, covered with the same food questionnaire (WebCAAFE) survey in Florianopolis, southern Brazil. Six meals/snacks and 32 foods/beverages yielded 192 possible combinations denominated meal/snack-Specific Food/beverage item (MSFIs). LASSO algorithm (LASSO-logistic regression) was used to determine the MSFIs predictive of overweight/obesity, and then binary (logistic) regression was used to further analyze a subset of these variables. Late breakfast, lunch and dinner were all associated with increased overweight/obesity risk, as was an anticipated lunch. Time-of-day or meal-tagged food/beverage intake result in large number of variables whose predictive patterns regarding weight status can be analyzed by machine learning such as LASSO, which in turn may identify the patterns not amenable to other popular statistical methods such as binary logistic regression.

Resumo Estudo longitudinal cujo objetivo foi apresentar melhores estratégia e métodos estatísticos e demonstrar sua utilização com os dados do período 2013-2015 em escolares de 7 a 11 anos, contemplados com o mesmo questionário alimentar (WebCAAFE) em Florianópolis, Sul do Brasil. Seis refeições/lanches e 32 alimentos/bebidas resultaram em 192 combinações possíveis denominadas item refeição/lanche-alimentos/bebidas específicos (MSFIs). O algoritmo LASSO (LASSO-regressão logística) foi usado para determinar os MSFIs preditivos de sobrepeso/obesidade e, em seguida, a regressão binária (logística) foi usada para analisar um subconjunto dessas variáveis. Café da manhã, almoço e jantar tardios foram todos associados ao aumento do risco de sobrepeso/obesidade, assim como um almoço antecipado. O consumo de alimentos/bebidas marcados na hora do dia ou na refeição resulta em um grande número de variáveis ​​cujos padrões preditivos em relação ao status do peso podem ser analisados ​​por LASSO. Essa análise pode identificar os padrões não passíveis de outros métodos estatísticos populares, como a regressão logística binária.

Prediction of tuberculosis clusters in the riverine municipalities of the Brazilian Amazon with machine learning / Predição de áreas de aglomeração de tuberculose nos municípios ribeirinhos da Amazônia brasileira com aprendizagem de máquina

ABSTRACT Objective: Tuberculosis (TB) is the second most deadly infectious disease globally, posing a significant burden in Brazil and its Amazonian region. This study focused on the "riverine municipalities" and hypothesizes the presence of TB clusters in the area. We also aimed to train a machine learning model to differentiate municipalities classified as hot spots vs. non-hot spots using disease surveillance variables as predictors. Methods: Data regarding the incidence of TB from 2019 to 2022 in the riverine town was collected from the Brazilian Health Ministry Informatics Department. Moran's I was used to assess global spatial autocorrelation, while the Getis-Ord GI* method was employed to detect high and low-incidence clusters. A Random Forest machine-learning model was trained using surveillance variables related to TB cases to predict hot spots among non-hot spot municipalities. Results: Our analysis revealed distinct geographical clusters with high and low TB incidence following a west-to-east distribution pattern. The Random Forest Classification model utilizes six surveillance variables to predict hot vs. non-hot spots. The machine learning model achieved an Area Under the Receiver Operator Curve (AUC-ROC) of 0.81. Conclusion: Municipalities with higher percentages of recurrent cases, deaths due to TB, antibiotic regimen changes, percentage of new cases, and cases with smoking history were the best predictors of hot spots. This prediction method can be leveraged to identify the municipalities at the highest risk of being hot spots for the disease, aiding policymakers with an evidenced-based tool to direct resource allocation for disease control in the riverine municipalities.

RESUMO Objetivo: A tuberculose (TB) é a segunda doença infecciosa que mais mata no mundo, representando um problema de saúde pública no Brasil, especialmente na região amazônica. Este estudo analisa a TB nos municípios ribeirinhos" com o objetivo de identificar aglomerados de alta incidência, também conhecidos como "hot spots". Posteriormente, utilizando aprendizagem de máquina, visamos prever estes aglomerados por meio de variáveis de vigilância epidemiológica. Assim buscamos auxiliar o ente público no combate à TB nesta região. Métodos: Dados da incidência de TB nos "municípios ribeirinhos" foram coletados entre os anos de 2019 e 2022 do Departamento de Informática do Ministério da Saúde. O índice de Moran foi utilizado para a determinação de autocorrelação espacial global, enquanto o método Getis-Ord GI* foi empregado para a autocorrelação espacial local. Variáveis referentes ao diagnóstico, tratamento e características socioeconômicas associadas aos casos foram utilizadas para a predição de aglomerados de alta incidência por meio de um modelo Random Forest. Resultados: Foram identificados aglomerados com alta incidência de TB a oeste e baixa incidência a leste. O total de seis variáveis de vigilância epidemiológica foi identificado como relevante para a predição. Nosso modelo Random Forest alcança uma área sob a curva da característica operacional do receptor (AUC-ROC) de 0,81. Conclusão: Municípios com altas porcentagens de casos recorrentes, mortes por TB, mudança do esquema de tratamento, casos novos e casos com história de tabagismo estão associados a aglomerados de alta incidência. Esperamos que este método de identificação de possíveis aglomerados de TB seja útil para o ente público no combate à doença na região.

An emergency room influx and trauma cases prediction in a Brazilian ophthalmological hospital by an ophthalmologist without code experience / Predição do influxo de atendimentos e casos de trauma em um serviço de urgência oftalmológico brasileiro realizado por um oftalmologista sem experiência em programação

ABSTRACT Purpose: The emergency medical service is a fundamental part of healthcare, albeit crowded emergency rooms lead to delayed and low-quality assistance in actual urgent cases. Machine-learning algorithms can provide a smart and effective estimation of emergency patients' volume, which was previously restricted to artificial intelligence (AI) experts in coding and computer science but is now feasible by anyone without any coding experience through auto machine learning. This study aimed to create a machine-learning model designed by an ophthalmologist without any coding experience using AutoML to predict the influx in the emergency department and trauma cases. Methods: A dataset of 356,611 visits at Hospital da Universidade Federal de São Paulo from January 01, 2014 to December 31, 2019 was included in the model training, which included visits/day and the international classification disease code. The training and prediction were made with the Amazon Forecast by 2 ophthalmologists with no prior coding experience. Results: The forecast period predicted a mean emergency patient volume of 216.27/day in p90, 180.75/day in p50, and 140.35/day in p10, and a mean of 7.42 trauma cases/ day in p90, 3.99/day in p50, and 0.56/day in p10. In January of 2020, there were a total of 6,604 patient visits and a mean of 206.37 patients/day, which is 13.5% less than the p50 prediction. This period involved a total of 199 trauma cases and a mean of 6.21 cases/day, which is 55.77% more traumas than that by the p50 prediction. Conclusions: The development of models was previously restricted to data scientists' experts in coding and computer science, but transfer learning autoML has enabled AI development by any person with no code experience mandatory. This study model showed a close value to the actual 2020 January visits, and the only factors that may have influenced the results between the two approaches are holidays and dataset size. This is the first study to apply AutoML in hospital visits forecast, showing a close prediction of the actual hospital influx.

RESUMO Objetivo: Esse estudo tem como objetivo criar um modelo de Machine Learning por um oftalmologista sem experiência em programação utilizando auto Machine Learning predizendo influxo de pacientes em serviço de emergência e casos de trauma. Métodos: Um dataset de 366,610 visitas em Hospital Universitário da Universidade Federal de São Paulo de 01 de janeiro de 2014 até 31 de dezembro de 2019 foi incluído no treinamento do modelo, incluindo visitas/dia e código internacional de doenças. O treinamento e predição foram realizados com o Amazon Forecast por dois oftalmologistas sem experiência com programação. Resultados: O período de previsão estimou um volume de 206,37 pacientes/dia em p90, 180,75 em p50, 140,35 em p10 e média de 7,42 casos de trauma/dia em p90, 3,99 em p50 e 0,56 em p10. Janeiro de 2020 teve um total de 6.604 pacientes e média de 206,37 pacientes/dia, 13,5% menos do que a predição em p50. O período teve um total de 199 casos de trauma e média de 6,21 casos/dia, 55,77% mais casos do que a predição em p50. Conclusão: O desenvolvimento de modelos era restrito a cientistas de dados com experiencia em programação, porém a transferência de ensino com a tecnologia de auto Machine Learning permite o desenvolvimento de algoritmos por qualquer pessoa sem experiencia em programação. Esse estudo mostra um modelo com valores preditos próximos ao que ocorreram em janeiro de 2020. Fatores que podem ter influenciados no resultado foram feriados e tamanho do banco de dados. Esse é o primeiro estudo que aplicada auto Machine Learning em predição de visitas hospitalares com resultados próximos aos que ocorreram.

The new era of artificial intelligence in neuroradiology: current research and promising tools / A nova era da inteligência artificial em neurorradiologia: pesquisa atual e ferramentas promissoras

Abstract Radiology has a number of characteristics that make it an especially suitable medical discipline for early artificial intelligence (AI) adoption. These include having a well-established digital workflow, standardized protocols for image storage, and numerous well-defined interpretive activities. The more than 200 commercial radiologic AI-based products recently approved by the Food and Drug Administration (FDA) to assist radiologists in a number of narrow image-analysis tasks such as image enhancement, workflow triage, and quantification, corroborate this observation. However, in order to leverage AI to boost efficacy and efficiency, and to overcome substantial obstacles to widespread successful clinical use of these products, radiologists should become familiarized with the emerging applications in their particular areas of expertise. In light of this, in this article we survey the existing literature on the application of AI-based techniques in neuroradiology, focusing on conditions such as vascular diseases, epilepsy, and demyelinating and neurodegenerative conditions. We also introduce some of the algorithms behind the applications, briefly discuss a few of the challenges of generalization in the use of AI models in neuroradiology, and skate over the most relevant commercially available solutions adopted in clinical practice. If well designed, AI algorithms have the potential to radically improve radiology, strengthening image analysis, enhancing the value of quantitative imaging techniques, and mitigating diagnostic errors.

Resumo A radiologia tem uma série de características que a torna uma disciplina médica especialmente adequada à adoção precoce da inteligência artificial (IA), incluindo um fluxo de trabalho digital bem estabelecido, protocolos padronizados para armazenamento de imagens e inúmeras atividades interpretativas bem definidas. Tal adequação é corroborada pelos mais de 200 produtos radiológicos comerciais baseados em IA recentemente aprovados pelo Food and Drug Administration (FDA) para auxiliar os radiologistas em uma série de tarefas restritas de análise de imagens, como quantificação, triagem de fluxo de trabalho e aprimoramento da qualidade das imagens. Entretanto, para o aumento da eficácia e eficiência da IA, além de uma utilização clínica bem-sucedida dos produtos que utilizam essa tecnologia, os radiologistas devem estar atualizados com as aplicações em suas áreas específicas de atuação. Assim, neste artigo, pesquisamos na literatura existente aplicações baseadas em IA em neurorradiologia, mais especificamente em condições como doenças vasculares, epilepsia, condições desmielinizantes e neurodegenerativas. Também abordamos os principais algoritmos por trás de tais aplicações, discutimos alguns dos desafios na generalização no uso desses modelos e introduzimos as soluções comercialmente disponíveis mais relevantes adotadas na prática clínica. Se cautelosamente desenvolvidos, os algoritmos de IA têm o potencial de melhorar radicalmente a radiologia, aperfeiçoando a análise de imagens, aumentando o valor das técnicas de imagem quantitativas e mitigando erros de diagnóstico.

Natural language processing in the classification of radiology reports in benign gallbladder diseases / O processamento de língua natural permite a classificação correta de laudos radiológicos em doenças benignas da vesícula biliar

Abstract Objective: To develop a natural language processing application capable of automatically identifying benign gallbladder diseases that require surgery, from radiology reports. Materials and Methods: We developed a text classifier to classify reports as describing benign diseases of the gallbladder that do or do not require surgery. We randomly selected 1,200 reports describing the gallbladder from our database, including different modalities. Four radiologists classified the reports as describing benign disease that should or should not be treated surgically. Two deep learning architectures were trained for classification: a convolutional neural network (CNN) and a bidirectional long short-term memory (BiLSTM) network. In order to represent words in vector form, the models included a Word2Vec representation, with dimensions of 300 or 1,000. The models were trained and evaluated by dividing the dataset into training, validation, and subsets (80/10/10). Results: The CNN and BiLSTM performed well in both dimensional spaces. For the 300- and 1,000-dimensional spaces, respectively, the F1-scores were 0.95945 and 0.95302 for the CNN model, compared with 0.96732 and 0.96732 for the BiLSTM model. Conclusion: Our models achieved high performance, regardless of the architecture and dimensional space employed.

Resumo Objetivo: Desenvolver uma aplicação de processamento de linguagem natural capaz de identificar automaticamente doenças cirúrgicas benignas da vesícula biliar a partir de laudos radiológicos. Materiais e Métodos: Desenvolvemos um classificador de texto para classificar laudos como contendo ou não doenças cirúrgicas benignas da vesícula biliar. Selecionamos aleatoriamente 1.200 laudos com descrição da vesícula biliar de nosso banco de dados, incluindo diferentes modalidades. Quatro radiologistas classificaram os laudos como doença benigna cirúrgica ou não. Duas arquiteturas de aprendizagem profunda foram treinadas para a classificação: a rede neural convolucional (convolutional neural network - CNN) e a memória longa de curto prazo bidirecional (bidirectional long short-term memory - BiLSTM). Para representar palavras de forma vetorial, os modelos incluíram uma representação Word2Vec, com dimensões variando de 300 a 1000. Os modelos foram treinados e avaliados por meio da divisão do conjunto de dados entre treinamento, validação e teste (80/10/10). Resultados: CNN e BiLSTM tiveram bom desempenho em ambos os espaços dimensionais. Relatamos para 300 e 1000 dimensões, respectivamente, as pontuações F1 de 0,95945 e 0,95302 para o modelo CNN e de 0,96732 e 0,96732 para a BiLSTM. Conclusão: Nossos modelos alcançaram alto desempenho, independentemente de diferentes arquiteturas e espaços dimensionais.

Nursing workload: use of artificial intelligence to develop a classifier model / Carga de trabajo de enfermería: uso de inteligencia artificial para el desarrollo de modelo clasificador / Carga de trabalho de enfermagem: uso de inteligência artificial para o desenvolvimento de modelo classificador

Objective: to describe the development of a predictive nursing workload classifier model, using artificial intelligence. Method: retrospective observational study, using secondary sources of electronic patient records, using machine learning. The convenience sample consisted of 43,871 assessments carried out by clinical nurses using the Perroca Patient Classification System, which served as the gold standard, and clinical data from the electronic medical records of 11,774 patients, which constituted the variables. In order to organize the data and carry out the analysis, the Dataiku® data science platform was used. Data analysis occurred in an exploratory, descriptive and predictive manner. The study was approved by the Ethics and Research Committee of the institution where the study was carried out. Results: the use of artificial intelligence enabled the development of the nursing workload assessment classifier model, identifying the variables that most contributed to its prediction. The algorithm correctly classified 72% of the variables and the area under the Receiver Operating Characteristic curve was 82%. Conclusion: a predictive model was developed, demonstrating that it is possible to train algorithms with data from the patient's electronic medical record to predict the nursing workload and that artificial intelligence tools can be effective in automating this activity.

Objetivo: describir el desarrollo de un modelo clasificador predictivo de la carga de trabajo de enfermería, utilizando inteligencia artificial. Método: estudio observacional retrospectivo, en fuentes secundarias de registros electrónicos de pacientes, con uso de aprendizaje automático. La muestra por conveniencia se constituyó de 43.871 evaluaciones realizadas por enfermeras asistenciales con el Sistema de Clasificación de Pacientes de Perroca, que sirvieron como patrón oro, y datos clínicos del expediente electrónico de 11.774 pacientes, que constituyeron las variables. Para la organización de los datos y la realización de los análisis se utilizó la plataforma de ciencia de datos Dataiku ® . El análisis de los datos ocurrió de forma exploratoria, descriptiva y predictiva. Estudio aprobado por el Comité de Ética e Investigación de la institución campo del estudio. Resultados: el uso de inteligencia artificial posibilitó el desarrollo del modelo clasificador de evaluación de la carga de trabajo de enfermería, identificando las variables que más contribuyeron para su predicción. El algoritmo clasificó correctamente el 72% de las variables y el área bajo la curva Receiver Operating Characteristic fue del 82%. Conclusión: hubo el desarrollo de un modelo predictivo, demostrando que es posible entrenar algoritmos con datos del expediente electrónico del paciente para predecir la carga de trabajo de enfermería y que las herramientas de inteligencia artificial pueden ser efectivas para la automatización de esta actividad.

Objetivo: descrever o desenvolvimento de um modelo classificador preditivo da carga de trabalho de enfermagem, utilizando inteligência artificial. Método: estudo observacional retrospectivo, em fontes secundárias de registros eletrônicos de pacientes, com uso de aprendizado de máquina. A amostra por conveniência constituiu-se de 43.871 avaliações realizadas por enfermeiras assistenciais com o Sistema de Classificação de Pacientes de Perroca, as quais serviram como padrão ouro, e os dados clínicos do prontuário eletrônico de 11.774 pacientes, que constituíram as variáveis. Para a organização dos dados e a realização das análises, utilizou-se a plataforma de ciência de dados Dataiku ® . A análise dos dados ocorreu de forma exploratória, descritiva e preditiva. Estudo aprovado pelo Comitê de Ética e Pesquisa da instituição campo do estudo. Resultados: o uso de inteligência artificial possibilitou o desenvolvimento do modelo classificador de avaliação da carga de trabalho de enfermagem, identificando as variáveis que mais contribuíram para a sua predição. O algoritmo classificou corretamente 72% das variáveis e a área sob a curva Receiver Operating Characteristic foi de 82%. Conclusão: houve o desenvolvimento de um modelo preditivo, demonstrando que é possível treinar algoritmos com dados do prontuário eletrônico do paciente para predizer a carga de trabalho de enfermagem e que as ferramentas da inteligência artificial podem ser efetivas para a automatização desta atividade.

Características clínicas e fatores de risco que afetam a mortalidade de crianças e adolescentes com COVID-19: um estudo de coorte retrospectivo de âmbito nacional utilizando aprendizado de máquina / Clinical characteristics and risk factors affecting mortality of children and adolescents with COVID-19: a nationwide retrospective cohort study using machine learning

A pandemia de COVID-19 impulsionou a aplicação de tecnologias digitais avançadas, como a inteligência artificial (IA), para prever a mortalidade em pacientes adultos. No entanto, o desenvolvimento de modelos de aprendizado de máquina (ML) para prever desfechos em crianças e adolescentes com COVID-19 ainda é limitado. Este estudo teve como objetivo avaliar o desempenho de múltiplos modelos de aprendizado de máquina na previsão de mortalidade entre pacientes pediátricos hospitalizados com COVID-19 e analisar sua viabilidade quando aplicados a grandes bases de dados. Neste estudo de coorte, utilizamos o banco de dados SIVEP-Gripe, um recurso público mantido pelo Ministério da Saúde, para monitorar a síndrome respiratória aguda grave (SRAG) no Brasil. Para criar subconjuntos destinados ao treinamento e teste dos modelos de aprendizado de máquina (ML), dividimos o banco de dados primário em três partes. Com esses subconjuntos, desenvolvemos e treinamos 12 algoritmos de ML para prever os desfechos. Avaliamos o desempenho desses modelos utilizando diversas métricas, como acurácia, precisão, sensibilidade, revocação e a área sob a curva característica de operação do receptor (AUC). Entre as 37 variáveis examinadas, 24 foram identificadas como potenciais indicadoras de mortalidade, conforme determinado pelo teste de independência do qui-quadrado. O algoritmo de regressão logística (LR) obteve o maior desempenho, com uma acurácia de 92,5% e uma AUC de 80,1% no conjunto de dados otimizado. Os algoritmos de Gradient Boosting Classifier (GBC) e Adaptive Boosting (ADA) apresentaram resultados semelhantes aos do algoritmo LR. Nosso estudo também revelou que a saturação de oxigênio reduzida na linha de base, a presença de comorbidades e a idade avançada foram os fatores mais relevantes na previsão de mortalidade em crianças e adolescentes hospitalizados. O uso de modelos de ML pode ser uma ferramenta valiosa na tomada de decisões clínicas e na implementação de estratégias de gestão de pacientes baseadas em evidências, o que pode melhorar os desfechos dos pacientes e a qualidade geral dos cuidados médicos. Os modelos LR, GBC e ADA demonstraram eficiência na previsão precisa de mortalidade em pacientes pediátricos com COVID-19.

The COVID-19 pandemic has catalyzed the application of advanced digital technologies such as artificial intelligence (AI) to predict mortality in adult patients. However, the development of machine learning (ML) models for predicting outcomes in children and adolescents with COVID-19 remains limited. This study aimed to evaluate the performance of multiple machine learning models in forecasting mortality among hospitalized pediatric COVID-19 patients and assess their feasibility when applied to large-scale datasets. In this cohort study, we used the SIVEP-Gripe dataset, a public resource maintained by the Ministry of Health, to track severe acute respiratory syndrome (SARS) in Brazil. To create subsets for training and testing the machine learning (ML) models, we divided the primary dataset into three parts. Using these subsets, we developed and trained 12 ML algorithms to predict the outcomes. We assessed the performance of these models using various metrics such as accuracy, precision, sensitivity, recall, and area under the receiver operating characteristic curve (AUC). Among the 37 variables examined, 24 were found to be potential indicators of mortality, as determined by the chi-square test of independence. The LR algorithm achieved the highest performance, with an accuracy of 92.5% and an AUC of 80.1%, on the optimized dataset. GBC and ADA closely followed the LR algorithm, producing similar results. Our study also revealed that baseline reduced oxygen saturation, presence of comorbidities, and older age were the most relevant factors in predicting mortality in hospitalized children and adolescents. The use of ML models can be an asset in making clinical decisions and implementing evidence-based patient management strategies, which can enhance patient outcomes and overall quality of medical care. LR, GBC, and ADA models have demonstrated efficiency in accurately predicting mortality in COVID-19 pediatric patients.

Advances in diffuse glial tumors diagnosis / Avanços no diagnóstico dos gliomas difusos

Abstract In recent decades, there have been significant advances in the diagnosis of diffuse gliomas, driven by the integration of novel technologies. These advancements have deepened our understanding of tumor oncogenesis, enabling a more refined stratification of the biological behavior of these neoplasms. This progress culminated in the fifth edition of the WHO classification of central nervous system (CNS) tumors in 2021. This comprehensive review article aims to elucidate these advances within a multidisciplinary framework, contextualized within the backdrop of the new classification. This article will explore morphologic pathology and molecular/genetics techniques (immunohistochemistry, genetic sequencing, and methylation profiling), which are pivotal in diagnosis, besides the correlation of structural neuroimaging radiophenotypes to pathology and genetics. It briefly reviews the usefulness of tractography and functional neuroimaging in surgical planning. Additionally, the article addresses the value of other functional imaging techniques such as perfusion MRI, spectroscopy, and nuclear medicine in distinguishing tumor progression from treatment-related changes. Furthermore, it discusses the advantages of evolving diagnostic techniques in classifying these tumors, as well as their limitations in terms of availability and utilization. Moreover, the expanding domains of data processing, artificial intelligence, radiomics, and radiogenomics hold great promise and may soon exert a substantial influence on glioma diagnosis. These innovative technologies have the potential to revolutionize our approach to these tumors. Ultimately, this review underscores the fundamental importance of multidisciplinary collaboration in employing recent diagnostic advancements, thereby hoping to translate them into improved quality of life and extended survival for glioma patients.

Resumo Nas últimas décadas, houve avanços significativos no diagnóstico de gliomas difusos, impulsionados pela integração de novas tecnologias. Esses avanços aprofundaram nossa compreensão da oncogênese tumoral, permitindo uma estratificação mais refinada do comportamento biológico dessas neoplasias. Esse progresso culminou na quinta edição da classificação da OMS de tumores do sistema nervoso central (SNC) em 2021. Esta revisão abrangente tem como objetivo elucidar esses avanços de forma multidisciplinar, no contexto da nova classificação. Este artigo irá explorar a patologia morfológica e as técnicas moleculares/genéticas (imuno-histoquímica, sequenciamento genético e perfil de metilação), que são fundamentais no diagnóstico, além da correlação dos radiofenótipos da neuroimagem estrutural com a patologia e a genética. Aborda sucintamente a utilidade da tractografia e da neuroimagem funcional no planejamento cirúrgico. Destacaremos o valor de outras técnicas de imagem funcional, como ressonância magnética de perfusão, espectroscopia e medicina nuclear, na distinção entre a progressão do tumor e as alterações relacionadas ao tratamento. Discutiremos as vantagens das diferentes técnicas de diagnóstico na classificação desses tumores, bem como suas limitações em termos de disponibilidade e utilização. Além disso, os crescentes avanços no processamento de dados, inteligência artificial, radiômica e radiogenômica têm grande potencial e podem em breve exercer uma influência substancial no diagnóstico de gliomas. Essas tecnologias inovadoras têm o potencial de revolucionar nossa abordagem a esses tumores. Em última análise, esta revisão destaca a importância fundamental da colaboração multidisciplinar na utilização dos recentes avanços diagnósticos, com a esperança de traduzi-los em uma melhor qualidade de vida e uma maior sobrevida.

Development of a convolutional neural network for diagnosing osteoarthritis, trained with knee radiographs from the ELSA-Brasil Musculoskeletal / Desenvolvimento de rede neural convolucional para o diagnóstico radiográfico de osteoartrite dos joelhos no ELSA-Brasil Musculoesquelético

Abstract Objective: To develop a convolutional neural network (CNN) model, trained with the Brazilian "Estudo Longitudinal de Saúde do Adulto Musculoesquelético" (ELSA-Brasil MSK, Longitudinal Study of Adult Health, Musculoskeletal) baseline radiographic examinations, for the automated classification of knee osteoarthritis. Materials and Methods: This was a cross-sectional study carried out with 5,660 baseline posteroanterior knee radiographs from the ELSA-Brasil MSK database (5,660 baseline posteroanterior knee radiographs). The examinations were interpreted by a radiologist with specific training, and the calibration was as established previously. Results: The CNN presented an area under the receiver operating characteristic curve of 0.866 (95% CI: 0.842-0.882). The model can be optimized to achieve, not simultaneously, maximum values of 0.907 for accuracy, 0.938 for sensitivity, and 0.994 for specificity. Conclusion: The proposed CNN can be used as a screening tool, reducing the total number of examinations evaluated by the radiologists of the study, and as a double-reading tool, contributing to the reduction of possible interpretation errors.

Resumo Objetivo: Desenvolver um modelo computacional - rede neural convolucional (RNC) - treinado com radiografias da linha de base do Estudo Longitudinal de Saúde do Adulto Musculoesquelético (ELSA-Brasil Musculoesquelético), para a classificação automática de osteoartrite dos joelhos. Materiais e Métodos: Trata-se de um estudo transversal abrangendo todos os exames da linha de base do ELSA-Brasil Musculoesquelético (5.660 radiografias dos joelhos em incidência posteroanterior). Os exames foram interpretados por médico radiologista com treinamento específico e calibração previamente publicada. Resultados: A RNC desenvolvida apresentou área sob a curva característica de operação do receptor de 0,866 (IC 95%: 0,842-0,882). O modelo pode ser calibrado para alcançar, não simultaneamente, valores máximos de 0,907 para acurácia, 0,938 para sensibilidade e 0,994 para especificidade. Conclusão: A RNC desenvolvida pode ser utilizada como ferramenta de triagem, reduzindo o número total de exames avaliados pelos radiologistas do estudo, e/ou como ferramenta de segunda leitura, contribuindo com a redução de possíveis erros de interpretação.

Validation of a deep learning algorithm for bone age estimation among patients in the city of São Paulo, Brazil / Validação de algoritmo de aprendizado profundo para detecção da idade óssea em pacientes de São Paulo, Brasil

Abstract Objective: To validate a deep learning (DL) model for bone age estimation in individuals in the city of São Paulo, comparing it with the Greulich and Pyle method. Materials and Methods: This was a cross-sectional study of hand and wrist radiographs obtained for the determination of bone age. The manual analysis was performed by an experienced radiologist. The model used was based on a convolutional neural network that placed third in the 2017 Radiological Society of North America challenge. The mean absolute error (MAE) and the root-mean-square error (RMSE) were calculated for the model versus the radiologist, with comparisons by sex, race, and age. Results: The sample comprised 714 examinations. There was a correlation between the two methods, with a coefficient of determination of 0.94. The MAE of the predictions was 7.68 months, and the RMSE was 10.27 months. There were no statistically significant differences between sexes or among races (p > 0.05). The algorithm overestimated bone age in younger individuals (p = 0.001). Conclusion: Our DL algorithm demonstrated potential for estimating bone age in individuals in the city of São Paulo, regardless of sex and race. However, improvements are needed, particularly in relation to its use in younger patients.

Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.

Emergency department use and Artificial Intelligence in Pelotas: design and baseline results / Uso serviços de serviços de urgência e emergência e Inteligência Artificial em Pelotas: protocolo e resultados iniciais

RESUMO Objetivo: To describe the initial baseline results of a population-based study, as well as a protocol in order to evaluate the performance of different machine learning algorithms with the objective of predicting the demand for urgent and emergency services in a representative sample of adults from the urban area of Pelotas, Southern Brazil. Methods: The study is entitled "Emergency department use and Artificial Intelligence in PELOTAS (RS) (EAI PELOTAS)" (https://wp.ufpel.edu.br/eaipelotas/). Between September and December 2021, a baseline was carried out with participants. A follow-up was planned to be conducted after 12 months in order to assess the use of urgent and emergency services in the last year. Afterwards, machine learning algorithms will be tested to predict the use of urgent and emergency services over one year. Results: In total, 5,722 participants answered the survey, mostly females (66.8%), with an average age of 50.3 years. The mean number of household people was 2.6. Most of the sample has white skin color and incomplete elementary school or less. Around 30% of the sample has obesity, 14% diabetes, and 39% hypertension. Conclusion: The present paper presented a protocol describing the steps that were and will be taken to produce a model capable of predicting the demand for urgent and emergency services in one year among residents of Pelotas, in Rio Grande do Sul state.

RESUMO Objetivo: Descrever os resultados iniciais da linha de base de um estudo de base populacional, bem como um protocolo para avaliar o desempenho de diferentes algoritmos de aprendizado de máquina, com o objetivo de predizer a demanda de serviços de urgência e emergência em uma amostra representativa de adultos da zona urbana de Pelotas, no Sul do Brasil. Métodos: O estudo intitula-se "Emergency department use and Artificial Intelligence in PELOTAS (RS) (EAI PELOTAS)" (https://wp.ufpel.edu.br/eaipelotas/). Entre setembro e dezembro de 2021, foi realizada uma linha de base com os participantes. Está previsto um acompanhamento após 12 meses para avaliar a utilização de serviços de urgência e emergência no último ano. Em seguida, serão testados algoritmos de machine learning para predizer a utilização de serviços de urgência e emergência no período de um ano. Resultados: No total, 5.722 participantes responderam à pesquisa, a maioria do sexo feminino (66,8%), com idade média de 50,3 anos. O número médio de pessoas no domicílio foi de 2,6. A maioria da amostra tem cor da pele branca e ensino fundamental incompleto ou menos. Cerca de 30% da amostra estava com obesidade, 14% com diabetes e 39% eram hipertensos. Conclusão: O presente trabalho apresentou um protocolo descrevendo as etapas que foram e serão tomadas para a produção de um modelo capaz de prever a demanda por serviços de urgência e emergência em um ano entre moradores de Pelotas, no estado do Rio Grande do Sul.

Evaluation of EDM inclusion into the conventional polishing of printed Co-Cr alloy by selective laser melting / Avaliação da inclusão de EDM no polimento convencional da liga de Co-Cr impressa por fusão seletiva a laser

Objective: The selective laser melting (SLM) technique used in manufacturing results in a rougher surface that requires more satisfying processing than conventional hand-finishing operations. The electro discharge machine (EDM) has various possibilities in the adjustment of surfaces. The present study assesses whether the participation of the EDM technique with the conventional finishing and polishing methods enables surface improvement for the Cobalt-Chromium alloy fabricated by SLM. Material and Methods: Twenty discs of cobalt chromium alloy were fabricated by SLM, divided equally into two groups: (TF) control group for finishing and polishing in the conventional method in accordance with the manufacturer's recommendations; and (EF) group for conducting polishing incorporating the EDM method. Results: The EF group recorded the lowest mean value of surface roughness and the highest mean value of micro hardness compared to the TF group. Furthermore, statistically significant differences (P < 0.05) were found for surface roughness as well as micro hardness. Conclusion: Reliance of the electric discharge machine proactively within finishing and polishing procedures promotes competence in the conventional polishing method and improves the surface properties of cobalt chromium alloy printed by SLM technology (AU)

Objetivo: A técnica de fusão a laser seletiva (SLM) usada na fabricação resulta em uma superfície mais rugosa a qual requer um processamento mais satisfatório do que o acabamento manual. A máquina de eletro descarga (EDM) possui várias possibilidades no ajuste de superfícies. O presente estudo avalia se a participação da técnica EDM associada aos métodos convencionais de acabamento e polimento possibilita a melhora da superfície da liga Cobalto-Cromo fabricada através da SLM. Material e Métodos: Vinte discos de liga de cromo-cobalto foram confeccionados por SLM, e divididos igualmente em dois grupos: (TF) grupo controle, realizado acabamento e polimento pelo método convencional de acordo com as recomendações do fabricante; e (EF) grupo do polimento associado ao método EDM. Resultados: O grupo EF registrou o menor valor médio de rugosidade superficial e o maior valor médio de microdureza em relação ao grupo TF. Além disso, diferenças estatisticamente significativas (P < 0,05) foram encontradas para rugosidade superficial, assim como para a microdureza. Conclusão: A confiança na máquina de descarga elétrica proativamente nos procedimentos de acabamento e polimento promove a competência no método de polimento convencional e melhora as propriedades de superfície da liga de cromo-cobalto impressa pela tecnologia SLM(AU)

Use of artificial intelligence for sepsis risk prediction after flexible ureteroscopy: a systematic review / Uso da inteligência artificial na predição do risco de sepse pós-ureteroscopia flexível: uma revisão sistemática

ABSTRACT Introduction: flexible ureteroscopy is a minimally invasive surgical technique used for the treatment of renal lithiasis. Postoperative urosepsis is a rare but potentially fatal complication. Traditional models used to predict the risk of this condition have limited accuracy, while models based on artificial intelligence are more promising. The objective of this study is to carry out a systematic review regarding the use of artificial intelligence to detect the risk of sepsis in patients with renal lithiasis undergoing flexible ureteroscopy. Methods: the literature review is in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA). The keyword search was performed in MEDLINE, Embase, Web of Science and Scopus and resulted in a total of 2,496 articles, of which 2 met the inclusion criteria. Results: both studies used artificial intelligence models to predict the risk of sepsis after flexible uteroscopy. The first had a sample of 114 patients and was based on clinical and laboratory parameters. The second had an initial sample of 132 patients and was based on preoperative computed tomography images. Both obtained good measurements of Area Under the Curve (AUC), sensitivity and specificity, demonstrating good performance. Conclusion: artificial intelligence provides multiple effective strategies for sepsis risk stratification in patients undergoing urological procedures for renal lithiasis, although further studies are needed.

RESUMO Introdução: a ureteroscopia flexível é uma técnica cirúrgica minimamente invasiva utilizada para o tratamento de litíase renal. A urosepse pós-operatória é uma complicação rara, mas potencialmente fatal. Os modelos tradicionais utilizados para prever o risco dessa condição apresentam precisão limitada, enquanto modelos baseados em inteligência artificial são mais promissores. O objetivo desse estudo é realizar uma revisão sistemática a respeito do uso de inteligência artificial para detecção do risco de sepse em pacientes com litíase renal submetidos à ureteroscopia flexível. Métodos: a revisão de literatura está de acordo com o Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA). A busca com palavras-chave foi realizada no MEDLINE, Embase, Web of Science e Scopus e resultou no total de 2.496 artigos, dos quais 2 se enquadraram nos critérios de inclusão. Resultados: os dois estudos utilizaram modelos de inteligência artificial para predizer o risco de sepse após utereroscopia flexível. O primeiro teve uma amostra de 114 pacientes e foi baseado em parâmetros clínicos e laboratoriais. O segundo teve uma amostra inicial de 132 pacientes e foi baseado em imagens de tomografia computadorizada no pré-operatório. Ambos obtiveram boas medidas de Area Under the Curve (AUC), sensibilidade e especificidade, demonstrando boa performance. Conclusão: a inteligência artificial fornece múltiplas estratégias eficazes para estratificação do risco de sepse em pacientes submetidos a procedimentos urológicos para litíase renal, ainda que mais estudos sejam necessários.

Uso de técnicas de aprendizado de máquina para classificação de fatores que influenciam a ocorrência de dermatites ocupacionais / Using machine learning techniques to classify factors that influence the occurrence of occupational dermatitis

Resumo Introdução: realizar a predição de doenças relacionadas ao trabalho é um desafio às organizações e ao poder público. Com as técnicas de aprendizado de máquina (AM), é possível identificar fatores determinantes para a ocorrência de uma doença ocupacional, visando direcionar ações mais efetivas à proteção dos trabalhadores. Objetivo: predizer, a partir da comparação de técnicas de AM, os fatores com maior influência para a ocorrência de dermatite ocupacional. Métodos: desenvolveu-se um código em linguagem R e uma análise descritiva dos dados e identificaram-se os fatores de influência de acordo com a técnica de AM que demonstrou melhor desempenho. O banco de dados foi disponibilizado pelo Serviço de Dermatologia Ocupacional da Fundação Oswaldo Cruz e contém informações de trabalhadores que apresentaram alterações cutâneas sugestivas de dermatite ocupacional no período de 2000-2014. Resultados: as técnicas com melhor desempenho foram: neural network, random forest, support vector machine e naive Bayes. As variáveis sexo, escolaridade e profissão foram as mais adequadas para os modelos de previsão de dermatite ocupacional. Conclusão: as técnicas de AM possibilitam predizer os fatores que influenciam a segurança e a saúde dos trabalhadores, os parâmetros que subsidiam a implantação de procedimentos e as políticas mais efetivas para prevenir a dermatite ocupacional.

Abstract Introduction: to predict work related diseases is a challenge for organizations and the governmental authorities. By means of machine learning (ML) techniques it is possible to identify factors that determine the occurrence of an occupational disease, aiming at taking more effective actions to protect workers. Objective: to predict, by comparing ML techniques, the factors which highly influence the occurrence of occupational dermatitis. Methods: we developed a code in R language and a descriptive analysis of the data and identified the influence factors according to the ML technique that presented the best performance. The database was made available by the Occupational Dermatology Service of Oswaldo Cruz Foundation and assembles information of the workers who experienced cutaneous alterations suggestive of occupational dermatitis between 2000-2014. Results: the techniques which presented the best performance were: neural network, random forest, support vector machine, and naive Bayes. Sex, schooling, and profession were the most adequate variables for the occupational dermatitis prediction models. Conclusion: ML techniques allowed to predict the factors that influence the workers' safety and health, as well as the parameters that subsidize the procedures implementation, and the most effective policies to prevent occupational dermatitis.

Risco de queda relacionado a medicamentos em hospitais: abordagem de aprendizado de máquina / Riesgo de caída relacionado con medicamentos en hospitales: enfoque de aprendizaje de máquina / Drug-related fall risk in hospitals: a machine learning approach

Resumo Objetivo Comparar o desempenho de modelos de aprendizado de máquina com o Medication Fall Risk Score (MFRS) na previsão de risco de queda relacionado a medicamentos prescritos. Métodos Trata-se de um estudo caso-controle retrospectivo de pacientes adultos e idosos de um hospital terciário de Porto Alegre, RS, Brasil. Medicamentos prescritos e classes de medicamentos foram investigados. Os dados foram exportados para o software RStudio para análise estatística. As variáveis foram analisadas por meio dos algoritmos de Regressão Logística, Naive Bayes, Random Forest e Gradient Boosting. A validação do algoritmo foi realizada usando validação cruzada de 10 vezes. O índice de Youden foi a métrica selecionada para avaliar os modelos. O projeto foi aprovado pelo Comitê de Ética em Pesquisa. Resultados O modelo de aprendizado de máquina que apresentou melhor desempenho foi o desenvolvido pelo algoritmo Naive Bayes. O modelo construído a partir de um conjunto de dados de um hospital específico apresentou melhores resultados para a população estudada do que o MFRS, uma ferramenta generalizável. Conclusão Ferramentas de previsão de risco que dependem de aplicação e registro adequados por parte dos profissionais demandam tempo e atenção que poderiam ser alocados ao cuidado do paciente. Modelos de previsão construídos por meio de algoritmos de aprendizado de máquina podem ajudar a identificar riscos para melhorar o atendimento ao paciente.

Resumen Objetivo Comparar el desempeño de modelos de aprendizaje de máquina con Medication Fall Risk Score (MFRS) para la previsión del riesgo de caída relacionado con medicamentos prescriptos. Métodos Se trata de un estudio caso-control retrospectivo de pacientes adultos y adultos mayores de un hospital terciario de Porto Alegre, estado de Rio Grande do Sul, Brasil. Se investigaron los medicamentos prescriptos y las clases de medicamentos. Los datos fueron exportados al software RStudio para el análisis estadístico. Las variables se analizaron a través de los algoritmos de regresión logística Naive Bayes, Random Forest y Gradient Boosting. La validación del algoritmo se realizó usando validación cruzada de 10 veces. El índice de Youden fue la métrica seleccionada para evaluar los modelos. El proyecto fue aprobado por el Comité de Ética en Investigación. Resultados El modelo de aprendizaje de máquina que presentó el mejor desempeño fue el desarrollado por el algoritmo Naive Bayes. El modelo construido a partir de un conjunto de datos de un hospital específico presentó mejores resultados en la población estudiada que el MFRS, una herramienta generalizada. Conclusión Herramientas de previsión de riesgo que dependen de la aplicación y el registro adecuados por parte de los profesionales demandan tiempo y atención que podría ser destinado al cuidado del paciente. Modelos de previsión construidos mediante algoritmos de aprendizaje de máquina pueden ayudar a identificar riesgos para mejorar la atención al paciente.

Abstract Objective To compare the performance of machine-learning models with the Medication Fall Risk Score (MFRS) in predicting fall risk related to prescription medications. Methods This is a retrospective case-control study of adult and older adult patients in a tertiary hospital in Porto Alegre, RS, Brazil. Prescription drugs and drug classes were investigated. Data were exported to the RStudio software for statistical analysis. The variables were analyzed using Logistic Regression, Naive Bayes, Random Forest, and Gradient Boosting algorithms. Algorithm validation was performed using 10-fold cross validation. The Youden index was the metric selected to evaluate the models. The project was approved by the Research Ethics Committee. Results The machine-learning model showing the best performance was the one developed by the Naive Bayes algorithm. The model built from a data set of a specific hospital showed better results for the studied population than did MFRS, a generalizable tool. Conclusion Risk-prediction tools that depend on proper application and registration by professionals require time and attention that could be allocated to patient care. Prediction models built through machine-learning algorithms can help identify risks to improve patient care.

Aprendizado de máquina nos serviços farmacêuticos: uma revisão integrativa / Machine learning in pharmaceutical services: an integrative review

A crescente digitalização e aplicação de inteligência artificial (IA) em problemas complexos do mundo real, tem potencial de melhorar os serviços de saúde, inclusive da atuação dos farmacêuticos no processo do cuidado. O objetivo deste estudo foi identificar na literatura científica, estudos que testam algoritmos de aprendizado de máquina (Machine Learning ­ ML) aplicados as atividades de farmacêuticos clínicos no cuidado ao paciente. Trata-se de uma revisão integrativa, realizada nas bases de dados, Pubmed, Portal BVS, Cochrane Library e Embase. Artigos originais, relacionados ao objetivo proposto, disponíveis e publicados antes de 31 de dezembro de 2021, foram incluídos, sem limitações de idioma. Foram encontrados 831 artigos, sendo 5 incluídos relacionados as atividades inseridas nos serviços de revisão da farmacoterapia (3) e monitorização terapêutica (2). Foram utilizadas técnicas supervisionadas (3) e não supervisionadas (2) de ML, com variedade de algoritmos testados, sendo todos os estudos publicados recentemente (2019-2021). Conclui-se que a aplicação da IA na farmácia clínica, ainda é discreta, sinalizando os desafios da era digital.

The growing application of artificial intelligence (AI) in complex real-world problems has shown an enormous potential to improve health services, including the role of pharmacists in the care process. Thus, the objective of this study was to identify, in the scientific literature, studies that addressed the use of machine learning (ML) algorithms applied to the activities of clinical pharmacists in patient care. This is an integrative review, conducted in the databases Pubmed, VHL Regional Portal, Cochrane Library and Embase. Original articles, related to the proposed topic, which were available and published before December 31, 2021, were included, without language limitations. There were 831 articles retrieved 5 of which were related to activities included in the pharmacotherapy review services (3) and therapeutic monitoring (2). Supervised (3) and unsupervised (2) ML techniques were used, with a variety of algorithms tested, with all studies published recently (2019­2021). It is concluded that the application of AI in clinical pharmacy is still discreet, signaling the challenges of the digital age.

Artificial intelligence in health and bioethical implications: a systematic review / Inteligencia artificial en salud y sus implicaciones bioéticas: una revisión sistemática / Inteligência artificial em saúde e implicações bioéticas: uma revisão sistemática

Abstract The presence of artificial intelligence in healthcare is growing, helping in diagnosis and decision making. However, its application raises doubts, mostly related to ethics. This study aimed to identify its uses in health and its bioethical implications from a systematic literature review using the PRISMA guidelines. The ScienceDirect and Scopus databases were searched, using the descriptors "artificial intelligence," "bioethics" and "health." Works in English, published between 2017 and 2021 were considered, resulting in 102 articles found and, after applying the established criteria, 11 were selected. The studies reported on the bioethical principles of beneficence, non-maleficence, autonomy and justice, adding an element, explainability. Relationships were found between artificial intelligence in health and unpredictability, predictability, trust, physicians' role, systems development, privacy, data security, financial and social aspects. Developers, healthcare professionals and patients must maximize the benefits and limit the risks of tools that use this technology.

Resumen El uso de la inteligencia artificial en salud va en aumento por facilitar el diagnóstico y la toma de decisiones, pero sus implicaciones plantean dudas relacionadas con la ética. Esta revisión sistemática desde las directrices Prisma identificó los usos de la inteligencia artificial en salud y sus implicaciones bioéticas. Las búsquedas se realizaron en Science Direct y Scopus utilizando los descriptores "artificial intelligence", "bioethics" y "health". De los trabajos en inglés publicados entre 2017 y 2021, se obtuvo 102 artículos. Aplicados los criterios, quedaron 11. Los estudios abordaron los principios bioéticos de beneficencia, no maleficencia, autonomía y justicia, añadiendo el elemento explicabilidad. La inteligencia artificial se correlacionó con la imprevisibilidad, previsibilidad, confianza, papel de los médicos, desarrollo de sistemas, privacidad, seguridad de los datos y aspectos financieros y sociales. Los desarrolladores, los profesionales sanitarios y los pacientes deben maximizar los beneficios y limitar los riesgos que involucra esta tecnología.

Resumo A presença de inteligência artificial na saúde vem crescendo, ajudando em diagnósticos e tomadas de decisão, mas suas implicações geram dúvidas relacionadas à ética. Esta revisão sistemática, baseada nas diretrizes Prisma, identificou os usos de inteligência artificial na saúde e suas implicações bioéticas. Foi realizada busca nas bases de dados Science Direct e Scopus usando os descritores "artificial intelligence", "bioethics" e "health". Trabalhos em inglês, publicados entre 2017 e 2021 foram considerados, resultando em 102 artigos. Após aplicação dos critérios estabelecidos, 11 foram selecionados. Os estudos discutiram os princípios bioéticos da beneficência, não maleficência, autonomia e justiça, adicionando o elemento explicabilidade. Inteligência artificial mostrou correlação com imprevisibilidade, previsibilidade, confiança, papel do médico, desenvolvimento de sistemas, privacidade, segurança de dados, e aspectos sociais e financeiros. Desenvolvedores, profissionais da saúde e pacientes devem maximizar os benefícios e limitar os riscos das ferramentas que usam essa tecnologia.

microRNAS no líquido cefalorraquidiano associados à doença de Alzheimer: uma revisão sistemática e análise de vias usando a abordagem de aprendizado de máquina / microRNAs in Cerebrospinal Fluid Associated with Alzheimer's Disease: A systematic review and pathway analysis using a machine learning approach

O aumento da expectativa de vida e o envelhecimento populacional têm contribuído para o crescimento da prevalência da doença de Alzheimer (DA), uma vez que o envelhecimento é um dos fatores de risco para o desenvolvimento da forma esporádica da doença. O diagnóstico da DA é essencialmente baseado na avaliação clínica e requer a experiência de profissionais altamente treinados para um diagnóstico conclusivo. No entanto, devido à complexidade da doença e à necessidade de métodos mais precisos, a pesquisa por biomarcadores tem ganhado uma crescente importância. Nos últimos tempos, tem-se observado um aumento significativo no interesse pelo papel dos microRNAs (miRNAs) na regulação da expressão gênica e sua associação com a DA. Os miRNAs são pequenas moléculas de RNA não codificantes que desempenham um papel crucial na regulação de processos celulares. Vários miRNAs foram identificados como potenciais marcadores para o diagnóstico e progressão da DA. O presente estudo objetivou realizar uma busca por miRNAs diferencialmente expressos em líquor cefalorraquidiano (LCR) de pacientes com DA comparados a indivíduos cognitivamente saudáveis, a partir de banco de dados públicos e usando ferramentas de aprendizado de máquina, com validação dos resultados em uma revisão sistemática e a proposição de vias biológicas reguladas. Para isso, a primeira busca foi realizada na plataforma GEO Database e aplicado o algoritmo LightGBM. Posteriormente, a revisão sistemática foi realizada utilizando o PECO ­ população (P): indivíduos idosos, exposição (E): doença de Alzheimer (C): indivíduos cognitivamente saudáveis, desfeixo ou outcome (O): miRNAs diferencialmente expressos no líquor, usando os repositórios eletrônicos: MEDLINE/PubMed (Medical Literature Analysis and Retrieve System Online), Scopus, Cinahl, Web of Science e Embase. A análise de vias foi feita no miRTarBase. Após a sobreposição dos resultados obtidos pelo algoritmo e pela revisão sistemática, foram identificados sete miRNAs mais diferencialmente expressos no líquor de indivíduos com DA: miRNA-1274a, miRNA-193a-5p, miRNA-28-3p, miRNA-30a-3p, miRNA-145, miRNA-19b e miRNA-143. Na análise de enriquecimento de vias, foram identificadas: resposta ao dano no DNA por ATM, sinalização ERBB, sinalização de mensageiro secundário intracelular, sinalização MAPK e sinalização TGF-beta, as quais possuem participação na fisiopatologia da DA. Os resultados sugerem que os miRNA-1274a, miRNA-193a-5p, miRNA-28-3p, miRNA-30a-3p, miRNA-145, miRNA-19b e miRNA-143 podem estar envolvidos nos mecanismos moleculares e nas vias biológicas envolvidas na doença e podem ser no futuro alvos terapêuticos para a DA.

The increase in life expectancy and the aging population have contributed to the growth in the prevalence of Alzheimer's disease (AD), as aging is one of the risk factors for the development of the sporadic form of the disease. The diagnosis of AD is primarily based on clinical evaluation and requires the expertise of highly trained professionals for a conclusive diagnosis. However, due to the complexity of the disease and the need for more precise methods, research on biomarkers has gained increasing importance. In recent times, there has been a significant increase in interest in the role of microRNAs (miRNAs) in gene expression regulation and their association with AD. MiRNAs are small non-coding RNA molecules that play a crucial role in regulating cellular processes. Several miRNAs have been identified as potential markers for the diagnosis and progression of AD. This study aimed to search for differentially expressed miRNAs in the cerebrospinal fluid (CSF) of AD patients compared to cognitively healthy individuals using public databases and machine learning tools, with the validation of the results in a systematic review and the proposal of regulated biological pathways. To do this, the initial search was conducted on the GEO Database platform, and the LightGBM algorithm was applied. Subsequently, the systematic review was performed using the PECO framework ­ Population (P): elderly individuals, Exposure (E): Alzheimer's disease, Control (C): cognitively healthy individuals, Outcome (O): differentially expressed miRNAs in CSF, utilizing the electronic repositories: MEDLINE/PubMed, Scopus, Cinahl, Web of Science, and Embase. Pathway analysis was conducted using miRTarBase. After overlapping the results obtained by the algorithm and the systematic review, seven miRNAs were identified as the most differentially expressed in the CSF of individuals with AD: miRNA-1274a, miRNA-193a-5p, miRNA-28-3p, miRNA-30a-3p, miRNA-145, miRNA-19b, and miRNA-143. In the pathway enrichment analysis, the following pathways were identified: DNA damage response by ATM, ERBB signaling, intracellular second messenger signaling, MAPK signaling, and TGF-beta signaling, all of which have a role in the pathophysiology of AD. The results suggest that miRNA-1274a, miRNA-193a-5p, miRNA-28-3p, miRNA-30a-3p, miRNA-145, miRNA-19b, and miRNA-143 may be involved in the molecular mechanisms and biological pathways associated with the disease and could potentially serve as therapeutic targets for AD in the future.

Predição de choque séptico e hipovolêmico em pacientes de unidade de terapia intensiva com o uso de machine learning / Prediction of septic and hypovolemic shock in intensive care unit patients using machine learning

RESUMO Objetivo: Criar e validar um modelo de predição de choque séptico ou hipovolêmico a partir de variáveis de fácil obtenção coletadas na admissão de pacientes internados em uma unidade de terapia intensiva. Métodos: Estudo de modelagem preditiva com dados de coorte concorrente realizada em um hospital do interior do nordeste brasileiro. Foram incluídos pacientes com 18 anos ou mais sem uso de droga vasoativa no dia da admissão e que foram internados entre novembro de 2020 e julho de 2021. Foram testados os algoritmos de classificação do tipo Decision Tree, Random Forest, AdaBoost, Gradient Boosting e XGBoost para a construção do modelo. O método de validação utilizado foi o k-fold cross validation. As métricas de avaliação utilizadas foram recall, precisão e área sob a curva Receiver Operating Characteristic. Resultados: Foram utilizados 720 pacientes para criação e validação do modelo. Os modelos apresentaram alta capacidade preditiva com área sob a curva Receiver Operating Characteristic de 0,979; 0,999; 0,980; 0,998 e 1,00 para os algoritmos de Decision Tree, Random Forest, AdaBoost, Gradient Boosting e XGBoost, respectivamente. Conclusão: O modelo preditivo criado e validado apresentou elevada capacidade de predição do choque séptico e hipovolêmico desde o momento da admissão de pacientes na unidade de terapia intensiva.

ABSTRACT Objective: To create and validate a model for predicting septic or hypovolemic shock from easily obtainable variables collected from patients at admission to an intensive care unit. Methods: A predictive modeling study with concurrent cohort data was conducted in a hospital in the interior of northeastern Brazil. Patients aged 18 years or older who were not using vasoactive drugs on the day of admission and were hospitalized from November 2020 to July 2021 were included. The Decision Tree, Random Forest, AdaBoost, Gradient Boosting and XGBoost classification algorithms were tested for use in building the model. The validation method used was k-fold cross validation. The evaluation metrics used were recall, precision and area under the Receiver Operating Characteristic curve. Results: A total of 720 patients were used to create and validate the model. The models showed high predictive capacity with areas under the Receiver Operating Characteristic curve of 0.979; 0.999; 0.980; 0.998 and 1.00 for the Decision Tree, Random Forest, AdaBoost, Gradient Boosting and XGBoost algorithms, respectively. Conclusion: The predictive model created and validated showed a high ability to predict septic and hypovolemic shock from the time of admission of patients to the intensive care unit.