Desenvolvimento e aplicação de uma rede neural artificial para identificação de fibrilação atrial no eletrocardiograma: uma nova ferramenta para otimização diagnóstica / Development and application of an artificial neural network to identify atrial fibrillation on the electrocardiogram: a new tool for diagnostic optimization

INTRODUÇÃO: A fibrilação atrial (FA) é a arritmia cardíaca sustentada mais comum no mundo e está associada a alta morbidade e mortalidade. O diagnóstico precoce da FA é parte fundamental para o controle bem sucedido da carga global da doença e, infelizmente, muitos casos não são diagnosticados devido à dificuldade de identificação da arritmia por profissionais de saúde não especializados. Nesse contexto, o uso de inovações tecnológicas como a inteligência artificial no processo de investigação diagnóstica surge como uma potencial intervenção disruptiva. OBJETIVO: O objetivo do presente estudo foi desenvolver um modelo de redes neurais artificiais (RNAs) com utilização de imagens de eletrocardiograma (ECG) e extração de sinais com alta sensibilidade e especificidade em relação a laudos médicos. MÉTODOS: O modelo foi treinado com dados de 11.029 ECGs de janeiro a dezembro de 2022, que totalizaram 100.108 derivações para treinamento da rede neural, uma ResNet unidimensional, utilizada com uma camada de convolução inicial, quatro blocos de camadas residuais e um bloco de densa camada para classificação binária. A extração foi individual de acordo com a disposição e tamanho das derivações na imagem do ECG, que foram então transformadas em um sinal unidimensional. A partir dos dados brutos em forma de sinal, foi realizada uma reamostragem, padronizando todos os fabricantes para 300hz. Em seguida, os ruídos do sinal foram removidos por meio do filtro Savitzky-Golay. Em seguida, o sinal foi padronizado para ter mediana = 0 e desvio padrão = 1. Foi adicionado um padding para ter um tamanho padrão de 2048. O padding utilizado foi um valor constante igual a zero. Realizamos padronização e preenchimento no sinal original (não filtrado) para obter 2 dados de uma única derivação. RESULTADOS: O modelo apresentou, ao final, uma sensibilidade de 100% e uma especificidade de 94,5% para a identificação de FA no ECG. Esse resultado foi um ganho para a utilização de redes neurais, pois a tecnologia utilizada anteriormente, com apenas a extração de métricas de onda, apresentava uma precisão menor. CONCLUSÃO: Concluímos que modelos de RNA, que extraem sinais de imagens e os transformam em predições para tomada de decisão por médicos especialistas, podem ser incluídos no arsenal de métodos preditivos para triagem com alta sensibilidade e trazer laudos médicos mais rápidos e confiáveis.

Comparação de algoritmos de aprendizado de máquina na classificação do infarto do miocárdio usando detecção de sinal de elevação do segmento ST no eletrocardiograma e dados clínicos / Comparison of machine learning algorithms in the classification of myocardial infarction using ST-segment elevation signal detection in electrocardiogram and clinical data

INTRODUÇÃO: As doenças cardiovasculares (DCVs) são as principais responsáveis por mortes no mundo. A incorporação de novas tecnologias utilizando Inteligência Artificial (IA) surge como potencial aliada para a otimização do manejo dessas doenças. No entanto, ainda há a necessidade de aumentar a confiança nos modelos de IA, especialmente nos modelos de Machine Learning (ML). Nesse contexto, a pesquisa com extração e processamento de sinais tem alta precisão na detecção de anomalias cardíacas, mas sem capacidade de confirmar o diagnóstico de algumas doenças, pois não conta com o auxílio de variáveis clínicas, como é o caso do infarto agudo do miocárdio (IAM). OBJETIVO: O objetivo do presente estudo foi desenvolver um modelo de ML utilizando variáveis clínicas e processamento de sinais para detectar infarto agudo do miocárdio com elevação do segmento ST (IAMCST) com alta sensibilidade em relação a laudos médicos. MÉTODOS: Os modelos foram treinados com dados de 381 pacientes de 10 hospitais públicos brasileiros, obtidos de abril a julho de 2022, e validados com dados de 124 pacientes, em agosto de 2022. As variáveis utilizadas, além da elevação do segmento ST, foram sexo, idade, presença de marca-passo, sintomas como falta de ar e dor torácica, comorbidades como diabetes, dislipidemia, arritmias, sedentarismo, sobrepeso e tabagismo. A reamostragem foi realizada com incidência de 1:1 nos casos sem IAM para os casos com IAM. Os modelos Logistic Regression, Random Forest e AdaBoost foram hiperparametrizados e treinados com Cross-Validation em 5 vezes. As variáveis mais importantes para a predição foram idade, predição do modelo de extração de sinal com supradesnivelamento do segmento ST, falta de ar e dor torácica. O melhor modelo para o problema foi o AdaBoost, obtendo com o melhor threshold sensibilidade de 96% e especificidade de 45%. Os três modelos obtiveram uma área sob a curva ROC acima de 0,80, resultando em excelentes modelos para triagem de casos. CONCLUSÃO: Modelos de ML que combinam informações de dados clínicos e exames complementares, como ECG, podem ser melhores que modelos lineares para triagem de IAMCST, com alta sensibilidade e capacidade de interpretação aditiva aos algoritmos mais eficientes disponíveis na prática clínica.

An interpretable machine learning model for covid-19 screening

Introduction: the Coronavirus Disease 2019 (COVID-19) is a viral disease which has been declared a pandemic by the WHO. Diagnostic tests are expensive and are not always available. Researches using machine learning (ML) approach for diagnosing SARS-CoV-2 infection have been proposed in the literature to reduce cost and allow better control of the pandemic. Objective: we aim to develop a machine learning model to predict if a patient has COVID-19 with epidemiological data and clinical features. Methods: we used six ML algorithms for COVID-19 screening through diagnostic prediction and did an interpretative analysis using SHAP models and feature importances. Results: our best model was XGBoost (XGB) which obtained an area under the ROC curve of 0.752, a sensitivity of 90%, a specificity of 40%, a positive predictive value (PPV) of 42.16%, and a negative predictive value (NPV) of 91.0%. The best predictors were fever, cough, history of international travel less than 14 days ago, male gender, and nasal congestion, respectively. Conclusion: we conclude that ML is an important tool for screening with high sensitivity, compared to rapid tests, and can be used to empower clinical precision in COVID-19, a disease in which symptoms are very unspecific.

Introdução: a Doença do Coronavírus 2019 (COVID-19) é uma doença viral que foi declarada uma pandemia pela OMS. Testes diagnósticos são caros e nem sempre estão disponíveis. Pesquisas utilizando a abordagem de aprendizado de máquina (ML) para o diagnóstico de infecção por SARS-CoV-2 têm sido propostas na literatura para reduzir custos e permitir melhor controle da pandemia.Objetivo: nosso objetivo é desenvolver um modelo de aprendizado de máquina para prever se um paciente tem COVID-19 com dados epidemiológicos e características clínicas.Método: usamos seis algoritmos de ML para triagem de COVID-19 por meio de predição diagnóstica e fizemos uma análise interpretativa usando modelos SHAP e importâncias de recursos.Resultados: nosso melhor modelo foi o XGBoost (XGB) que obteve área sob a curva ROC de 0,752, sensibilidade de 90%, especificidade de 40%, valor preditivo positivo (VPP) de 42,16% e valor preditivo negativo ( VPL) de 91,0%. Os melhores preditores foram febre, tosse, história de viagem internacional há menos de 14 dias, sexo masculino e congestão nasal, respectivamente.Conclusão: Concluímos que o ML é uma importante ferramenta de triagem com alta sensibilidade, em comparação aos testes rápidos, e pode ser usado para potencializar a precisão clínica na COVID-19, doença em que os sintomas são muito inespecíficos.

A Bibliometric Network Analysis of Coronavirus during the First Eight Months of COVID-19 in 2020.

The COVID-19 pandemic has affected all aspects of society. Researchers worldwide have been working to provide new solutions to and better understanding of this coronavirus. In this research, our goal was to perform a Bibliometric Network Analysis (BNA) to investigate the strategic themes, thematic evolution structure and trends of coronavirus during the first eight months of COVID-19 in the Web of Science (WoS) database in 2020. To do this, 14,802 articles were analyzed, with the support of the SciMAT software. This analysis highlights 24 themes, of which 11 of the more important ones were discussed in-depth. The thematic evolution structure shows how the themes are evolving over time, and the most developed and future trends of coronavirus with focus on COVID-19 were visually depicted. The results of the strategic diagram highlight 'CHLOROQUINE', 'ANXIETY', 'PREGNANCY' and 'ACUTE-RESPIRATORY-SYNDROME', among others, as the clusters with the highest number of associated citations. The thematic evolution. structure presented two thematic areas: "Damage prevention and containment of COVID-19" and "Comorbidities and diseases caused by COVID-19", which provides new perspectives and futures trends of the field. These results will form the basis for future research and guide decision-making in coronavirus focused on COVID-19 research and treatments.

Maternal perception of the childs nutritional status from the perspective of adjusted residual analysis / Percepção materna do estado nutricional do filho sob a óptica da análise dos resíduos ajustados

BACKGROUNG: The maternal perception of the nutritional status of their children has several important social factors in its composition and it can be important in determine quality of children's foodOBJECTIVE: To assess social factors influencing maternal perception of her children´s nutritional statusMETHODS: Cross sectional study with school children from 6 to 10 years from a public school in São Paulo, Brazil. The data was obtained through a structured questionnaire applied to mothers and through children's body mass index. Associations between variables were analyzed by the Qui-square test and by the adjusted residues analysis, with 5% of significance. The agreement between maternal perception and nutritional status was assessed through the Kappa testRESULTS: We found incorrect perception in 45.8% of cases, from which 98.2% were underestimation, with 80% of underestimation for overweight children. We found poor and slight agreement for all cases. Adjusted residuals pointed eutrophic underestimation; better maternal perception for the obese; better perception for mothers that attained middle and high school levels; underestimation for eutrophic boys and correct perception for eutrophic girls. Single mothers and those who do not work outside tended to underestimate their eutrophic childrenCONCLUSION: We found poor agreement for almost all cases, with exception to mothers of girls and those that do not work outside. A correct perception was related positively with lower education levels, being worse for mothers without a partner and for those who do not work outside. Mothers of girls, compared to mothers of boys, had a more accurate perception

INTRODUÇÃO: A percepção materna do estado nutricional de seus filhos apresenta diversos fatores sociais importantes em sua composição e ela pode ser um importante na determinação da qualidade de alimentação das criançasOBJETIVO: Avaliar os fatores sociais que influenciam a percepção materna sobre o estado nutricional de seus filhosMÉTODO: Estudo transversal com escolares de 6 a 10 anos de uma escola pública de São Paulo, Brasil. Os dados foram obtidos por meio de um questionário estruturado aplicado às mães e a partir de antropometria das crianças. As associações entre as variáveis foram analisadas pelo teste do Qui-quadrado e pela análise dos resíduos ajustados, com 5% de significância. A concordância entre a percepção materna e o estado nutricional foi avaliada por meio do teste KappaRESULTADOS: Encontramos percepção incorreta em 45,8% dos casos, dos quais 98,2% foram de subestimação, com 80% de subestimação para crianças com sobrepeso. Encontramos concordância pobre e leve para todos os casos. Os resíduos ajustados apontaram para subestimação eutrófica; melhor percepção materna para o obeso; melhor percepção para mães que atingiram o ensino fundamental e médio; subestimação para meninos eutróficos e percepção correta para meninas eutróficas. As mães solteiras e as que não trabalham fora tendem a subestimar seus filhos eutróficosCONCLUSÃO: Encontramos baixa concordância para quase todos os casos, com exceção das mães de meninas e das que não trabalham fora. A percepção correta relacionou-se positivamente com a menor escolaridade, sendo pior para as mães sem companheiro e que não trabalham fora. As mães de meninas, em comparação com as mães de meninos, tiveram uma percepção mais precisa

Identificação de reações adversas a medicamentos (ram) durante conciliação medicamentosa em hospital escola / Identificación de reacciones adversas a medicamentos (ram) durante conciliación medicación en un hospital universitario / Identification of adverse drug reactions (adr) for medication conciliation in a teaching hospital

RESUMO As Reações Adversas a Medicamentos (RAM) representam um grande problema nos hospitais, acarretando sérios riscos à saúde dos pacientes e aumentando os custos da atenção à saúde. O presente estudo teve o objetivo de analisar as principais Reações Adversas a Medicamentos encontradas no setor de Clínica Médica de um hospital escola em Campos dos Goytacazes - RJ. Realizou-se um estudo longitudinal prospectivo entre os meses de março a junho de 2015. Um total de 194 pacientes foram acompanhados, sendo observado reações adversas em 37 deles, totalizando 40 reações adversas que envolveram 27 princípios ativos. Os principais medicamentos envolvidos nas RAM foram losartana (12,5%), dipirona (10%) e tramadol (7,5%). As reações acometeram principalmente pacientes do sexo masculino (60%). Quanto à causalidade, 12 (30%) RAM foram classificadas como definidas, 19 (47,5%) prováveis e 9 (22,5%) possíveis, pelo algoritmo de Naranjo. Trinta e cinco RAM (87,5%) foram classificadas como reações do tipo A (previsíveis) e apenas 5 (12,5%) reações do tipo B (imprevisíveis). A Comissão de Farmacovigilância do Hospital foi comunicada para proceder as notificações à ANVISA. O processo de conciliação de medicamentos contribuiu para a identificação de RAM, permitindo ao profissional farmacêutico atuação mais efetiva junto à equipe multiprofissional de saúde no que se refere às reações indesejáveis causadas pelos medicamentos possibilitando a prevenção de agravos relacionados à terapia medicamentosa e ações voltadas para a segurança dos pacientes.

RESUMEN Las Reacciones Adversas a Medicamentos (RAM) representan un gran problema en los hospitales, causando serios riesgos a la salud de los pacientes y aumentando los costos de atención a la salud. En este contexto, este estudio tuvo como objetivo analizar las principales Reacciones Adversas a Medicamentos encontradas en el sector de Clínica Médica de un hospital universitario en Campos dos Goytacazes-Rio de Janeiro-Brasil. Se realizó un estudio longitudinal prospectivo entre los meses de marzo a junio de 2015. Un total de 194 pacientes fueron acompañados y fueron observadas reacciones adversas en 37 pacientes, totalizando 40 reacciones adversas que involucraron 27 principios activos. Los principales medicamentos involucrados en las RAM fueron losartán (12,5%), dipirona (10%) y tramadol (7,5%). Las reacciones acometieron principalmente pacientes del sexo masculino (60%). En cuanto a la causalidad, 12 (30%) RAM fueron clasificadas como definidas, 19 (47,5%) probables y 9 (22,5%) posibles, por el algoritmo de Naranjo. Treinta y cinco RAM (87,5%) fueron clasificadas como reacciones del tipo A (previsibles) y solo 5 (12,5%) reacciones del tipo B (imprevisibles). El Comité de Farmacovigilancia Hospitalaria fue comunicado para emprender las notificaciones a la ANVISA. El proceso de conciliación de medicamentos contribuyó a la identificación de RAM, permitiendo al profesional farmacéutico una actuación más eficaz junto al equipo multidisciplinario de salud en lo que se refiere a las reacciones indeseables causadas por los medicamentos, posibilitando la prevención de agravios relacionados a la terapia medicamentosa y acciones dirigidas a la seguridad del paciente.

ABSTRACT Currently, Adverse Drug Rreactions (ADR/RAM) are a major problem in hospitals, causing serious health risks for patients and increasing costs of health care. In this context, this study aimed to analyze the main adverse drug reactions found in medical clinic sector a teaching hospital in Campos dos Goytacazes - RJ. We conducted a prospective study between the months from March to June 2015. A total of 194 patients were followed, adverse reactions were observed in 37 patients, involving 40 adverse reactions distributed in 27 active ingredients. The major drugs were involved in the ADR (12.5%) of losartan, 4 (10%) of dipyrone and 3 (7.5%) tramadol. The reactions of most patients were in males with 63%. As for the causality, 12 ADR (30%) were classified as definite, 19 (47.5%) probable and 9 (22.5%) possible, by the logotype of Naranjo. Thirty-five ADRs (87%) were defined as the type A (predictable) and only 5 (12.5%) type B reactions. The Pharmacovigilance Committee of the Hospital was reported to make notifications to ANVISA. The medication reconciliation process contributed to the identification of RAM, allowing the professional pharmacist for more effective action by the multidisciplinary health team in regard to undesirable reactions caused by drugs enabling the prevention of related harm to drug therapy and targeted actions to patient safety.

HER-2/neu evaluation by immunohistochemistry and fluorescence in situ hybridization in breast cancer: implications for daily laboratory practice.

BACKGROUND: HER-2/neu status was determined by immunohistochemistry (IHC) and fluorescence in situ hybridisation (FISH) methods in more than 300 paraffin-embedded primary breast cancer samples. MATERIALS AND METHODS: HER-2/neu status was determined by FISH using the PathVysion kit (Vysis) and by IHC using either a monoclonal antibody CB11 or a cocktail of antibodies: the monoclonal TAB250 and the polyclonal pAb1. RESULTS: Of the 324 cases evaluable by IHC, 65 out of 318 (20%) and 24 out of 324 (7%) were scored as positive when using the antibody cocktail and the CB11, respectively. HER-2/neu gene amplification occured in 64 out of 324 cases (20%). Concordance of FISH and IHC was found in 285 out of 318 cases (90%) and 278 out of 324 cases (86%) using the cocktail and the CB11, respectively. CONCLUSION: The cost-effectiveness analysis revealed that the use of a sensitive IHC method followed by confirmation of positive results by FISH considerably decreased the FISH costs and may become standard practice for HER-2/neu evaluation.