Um Modelo de Aprendizado Profundo para Prever a Mortalidade em 30 Dias de Pacientes com Pneumonia Adquirida na Comunidade

Em um estudo retrospectivo recente, os pesquisadores desenvolveram e validaram externamente um modelo de aprendizado profundo para prever a morte em 30 dias entre pacientes com PAC usando radiografias de tórax iniciais. O modelo foi desenvolvido para prever os riscos de mortalidade por qualquer causa em 30 dias para pacientes com PAC usando suas radiografias de tórax iniciais. A equipe avaliou o modelo de aprendizado profundo entre indivíduos diagnosticados com pneumonia adquirida na comunidade em departamentos de emergência na instituição onde o grupo de desenvolvimento foi diagnosticado entre janeiro e dezembro de 2020 (grupo de teste temporal, 947 indivíduos). Eles também avaliaram o modelo em outras duas instituições, ou seja, o Centro Médico do Governo Metropolitano de Seul-Universidade Nacional de Seul Boramae (grupo de teste externo A, 467 indivíduos) entre janeiro e março de 2020, e o Hospital Universitário Chung-Ang (grupo de teste externo B, 381 indivíduos) entre março de 2019 e outubro de 2021. O desfecho primário foi a mortalidade por qualquer causa em 30 dias após o diagnóstico de PAC. Uma rede neural convolucional (CNN) foi desenvolvida para prever a mortalidade em 30 dias após o diagnóstico de PAC com base nas radiografias de tórax dos pacientes no grupo de desenvolvimento. O modelo de aprendizado profundo foi projetado com uma proporção de 3,0: 1,0: 1,0 de participantes para o grupo de desenvolvimento, grupo de teste externo A e grupo de teste externo B, respectivamente. O modelo demonstrou um desempenho promissor, com uma área sob a curva (AUC) maior do que a ferramenta CURB-65 para prever a mortalidade em 30 dias após o diagnóstico de PAC.