RESUMO
Abstract Objective: To determinate the accuracy of computed tomography (CT) imaging assessed by deep neural networks for predicting the need for mechanical ventilation (MV) in patients hospitalized with severe acute respiratory syndrome due to coronavirus disease 2019 (COVID-19). Materials and Methods: This was a retrospective cohort study carried out at two hospitals in Brazil. We included CT scans from patients who were hospitalized due to severe acute respiratory syndrome and had COVID-19 confirmed by reverse transcriptionpolymerase chain reaction (RT-PCR). The training set consisted of chest CT examinations from 823 patients with COVID-19, of whom 93 required MV during hospitalization. We developed an artificial intelligence (AI) model based on convolutional neural networks. The performance of the AI model was evaluated by calculating its accuracy, sensitivity, specificity, and area under the receiver operating characteristic (ROC) curve. Results: For predicting the need for MV, the AI model had a sensitivity of 0.417 and a specificity of 0.860. The corresponding area under the ROC curve for the test set was 0.68. Conclusion: The high specificity of our AI model makes it able to reliably predict which patients will and will not need invasive ventilation. That makes this approach ideal for identifying high-risk patients and predicting the minimum number of ventilators and critical care beds that will be required.
Resumo Objetivo: Determinar a acurácia da tomografia computadorizada (TC), avaliada por redes neurais profundas, na ventilação mecânica, de pacientes hospitalizados por síndrome respiratória aguda grave por COVID-19. Materiais e Métodos: Trata-se de estudo de coorte retrospectivo, realizado em dois hospitais brasileiros. Foram incluídas TCs de pacientes hospitalizados por síndrome respiratória aguda grave e COVID-19 confirmada por RT-PCR. O treinamento consistiu em TC de tórax de 823 pacientes com COVID-19, dos quais 93 foram submetidos a ventilação mecânica na hospitalização. Nós desenvolvemos um modelo de inteligência artificial baseado em redes de convoluções neurais. A avaliação do desempenho do uso da inteligência artificial foi baseada no cálculo de acurácia, sensibilidade, especificidade e área sob a curva ROC. Resultados: A sensibilidade do modelo foi de 0,417 e a especificidade foi de 0,860. A área sob a curva ROC para o conjunto de teste foi de 0,68. Conclusão: Criamos um modelo de aprendizado de máquina com elevada especificidade, capaz de prever de forma confiável pacientes que não precisarão de ventilação mecânica. Isso significa que essa abordagem é ideal para prever com antecedência pacientes de alto risco e um número mínimo de equipamentos de ventilação e de leitos críticos.