Estudos de diagnóstico anteriores estimaram que 7% das pessoas têm Long-COVID. No entanto, um novo estudo utilizando uma ferramenta de inteligência artificial desenvolvida no Brigham General Hospital mostra que a prevalência do Long-COVID é muito maior, de 22,8%. Esta ferramenta baseada em inteligência artificial analisa registros eletrônicos de saúde para ajudar os médicos a identificar casos de Long-COVID.

O Long-COVID costuma ser uma doença misteriosa que pode incluir um conjunto de sintomas duradouros, incluindo fadiga, tosse crônica e confusão mental após a infecção por SARS-CoV-2.

O algoritmo usado foi desenvolvido extraindo dados de pacientes não identificados dos registros clínicos de quase 300.000 pacientes nos 14 hospitais e 20 centros de saúde comunitários do Massachusetts Brigham System. Os resultados, publicados na revista Med, poderão identificar mais pessoas que deveriam receber tratamento para tratar esta doença potencialmente debilitante.

"Nossas ferramentas de IA podem transformar o processo de diagnóstico nebuloso em um processo preciso e focado, capacitando os médicos a compreender essa condição desafiadora", disse o autor sênior Hossein Estiri, diretor de pesquisa de IA no Centro de Inteligência Artificial e Informática Biomédica para Aprendizagem de Sistemas de Saúde (CAIBILS) do MGB e professor associado de medicina na Harvard Medical School. “Através deste trabalho, poderemos finalmente ver como é realmente o Long-COVID – e, mais importante, saber como tratá-lo.”

No estudo, Estiri e colegas definiram Long-COVID como um diagnóstico de exclusão embora associado à infecção. Isso significa que o diagnóstico não pode ser explicado no prontuário médico exclusivo do paciente, mas está relacionado à infecção por COVID. Além disso, o diagnóstico exigiu dois ou mais meses do período de acompanhamento de 12 meses.

Fenotipagem precisa: uma nova abordagem

O novo método desenvolvido por Estiri e colegas, denominado Fenotipagem de Precisão, rastreia alterações nos sintomas examinando registros individuais para identificar sintomas e condições associadas ao COVID-19, a fim de distingui-lo de outras doenças. Por exemplo, o algoritmo poderia detectar se a falta de ar é causada por uma condição pré-existente, como insuficiência cardíaca ou asma, em vez de Long-COVID. A ferramenta rotulará um paciente como Long-COVID somente depois que todas as outras possibilidades forem descartadas.

"Os médicos muitas vezes se deparam com um emaranhado de sintomas e históricos médicos, sem saber por quais pistas começar, enquanto lidam com uma carga de trabalho ocupada. Seria uma virada de jogo se houvesse uma ferramenta alimentada por IA que pudesse fazer isso metodicamente por eles", disse o co-autor Alaleh Azhir, residente de medicina interna no Brigham and Women's Hospital, membro fundador do Massachusetts General Brigham Healthcare System.

A abordagem diagnóstica centrada no paciente da nova ferramenta também poderia ajudar a mitigar os preconceitos atuais contra os diagnósticos Long-COVID, disseram os pesquisadores, observando que os diagnósticos Long-COVID com códigos de diagnóstico oficiais CID-10 favorecem aqueles com maior acesso aos cuidados de saúde.

Os pesquisadores dizem que sua ferramenta é cerca de 3% mais precisa do que os dados capturados pelos códigos CID-10, ao mesmo tempo que apresenta menos preconceitos. Especificamente, o seu estudo mostrou que os pacientes Long-COVID que identificaram refletiam a composição mais ampla da população de Massachusetts, ao contrário do algoritmo Long-COVID, que se baseia num único código de diagnóstico ou num único encontro clínico, distorcendo assim os resultados para determinados grupos, como aqueles com maior acesso aos cuidados. Este âmbito mais alargado garante que os grupos que são frequentemente marginalizados na investigação clínica não sejam mais ignorados.

Limitações e direções futuras

As limitações do estudo e da ferramenta de inteligência artificial incluem: Os dados dos registros de saúde usados ​​pelo algoritmo para explicar os sintomas do Long-COVID podem não ser tão completos quanto os dados que os médicos registram nas anotações clínicas após uma consulta. Outro fator limitante é que o algoritmo não captura possíveis exacerbações de condições anteriores que podem ser sintomas de Long-COVID. Por exemplo, se um paciente tivesse doença pulmonar obstrutiva crónica antes de desenvolver COVID-19 e a condição piorasse, o algoritmo poderia remover esses sintomas mesmo que fossem indicadores Long-COVID. As reduções nos testes de COVID-19 nos últimos anos também tornaram difícil determinar quando um paciente foi infectado pela primeira vez com COVID-19.

O estudo foi limitado a pacientes em Massachusetts. Estudos futuros poderão explorar este algoritmo em populações de pacientes com condições específicas, como doença pulmonar obstrutiva crônica ou diabetes. Os pesquisadores também planejam divulgar publicamente o algoritmo para que médicos e sistemas de saúde em todo o mundo possam usá-lo com suas populações de pacientes.

Além de abrir a porta para melhores tratamentos clínicos, este trabalho também pode lançar as bases para pesquisas futuras sobre os fatores genéticos e bioquímicos por trás dos vários subtipos de Long-COVID. “As questões sobre o verdadeiro fardo da COVID-19 – que permaneceram ilusórias até agora – parecem agora mais acessíveis”, disse Estiri.

Compilado de /ScitechDaily

DOI:10.1016/j.medj.2024.10.009