Novo Modelo Avalia Risco de COVID-19 em Prontos-Socorros

A COVID-19 é causada por um vírus conhecido como SARS-CoV-2, que bagunçou várias áreas da sociedade, principalmente os sistemas de saúde, como os hospitais. No começo da pandemia, não se sabia muito sobre o vírus, como ele se espalha ou como testar e tratar. Essa falta de informação, junto com o conhecimento limitado do público, fez com que o vírus se espalhasse rapidinho, infectando muita gente.

Pra tentar controlar isso, medidas de saúde pública como distanciamento social e uso de máscaras foram introduzidas, o que ajudou a reduzir o número de casos. Mas, depois de um período de baixa nas infecções durante o verão, o vírus voltou com tudo no outono, causando uma segunda onda de infecções. Muitos especialistas acham que uma terceira onda pode vir por causa de novas mutações do vírus.

Os prontos-socorros (EDs) dos hospitais enfrentaram vários desafios pra diagnosticar a COVID-19 em diferentes fases da pandemia. Nos primeiros dias, a capacidade de testar era bem limitada e o tempo pra conseguir os resultados era longo, atrasando o atendimento aos pacientes. Depois, surgiram testes rápidos que davam resultados em menos de uma hora, agilizando o diagnóstico.

Com a ascensão de Modelos Preditivos, surgiu a vontade de identificar pacientes no ED que precisavam de teste pra COVID-19 ou que talvez nem tivessem a doença. Se um modelo só usasse resultados laboratoriais padrão, poderia reduzir os custos de teste e ajudar a priorizar o atendimento. Muitos modelos foram feitos pra identificar pacientes com COVID-19 e avaliar a gravidade da doença deles. Porém, poucos desses modelos estão sendo usados regularmente nos hospitais.

Os modelos iniciais muitas vezes tinham tamanhos de amostra pequenos ou incluíam vieses, o que limitava a aplicação prática. Alguns modelos precisavam de dados que não podiam ser facilmente coletados de forma automática, dificultando o uso em situações reais. Modelos que se baseavam somente em pacientes testados por PCR também não ajudavam os médicos a decidirem quem deveria ser testado, já que não levavam em conta como são feitas as decisões sobre os testes.

Além disso, modelos que envolvem o uso de outras ferramentas diagnósticas, como tomografias computadorizadas ou raios-X, não são práticos em situações do dia a dia quando decisões rápidas são necessárias.

#Desenvolvimento de um Novo Modelo Preditivo

Esse artigo fala sobre a criação e teste de um novo modelo preditivo desenhado pra estimar a probabilidade de um paciente que visita o ED testar positivo pra COVID-19, baseado em testes laboratoriais de rotina. Esse modelo pode ser usado independente de ter muitos ou poucos casos de COVID-19. Ele foi validado, ou seja, testado com sucesso em diferentes cenários, e pode ajudar a reduzir testes PCR desnecessários enquanto identifica com precisão pacientes em maior risco pra COVID-19.

#Design do Estudo

Pra desenvolver esse modelo, resultados de exames laboratoriais de rotina junto com a idade e gênero dos pacientes foram coletados de todos os pacientes que foram ao ED de um hospital em Eindhoven, na Holanda, entre julho de 2019 e julho de 2020. Esses resultados foram combinados com os resultados dos testes PCR pra COVID-19. Os pesquisadores avaliaram a eficácia do modelo validando internamente com bootstrapping, conferindo ao longo do tempo com dados do hospital e validando externamente usando dados de três outros hospitais.

O estudo foi aprovado por um comitê de ética, confirmando que não violou regulamentos envolvendo sujeitos humanos em pesquisas.

#Dados e Testes Laboratoriais

O ED incluiu todas as apresentações de pacientes onde exames laboratoriais de rotina foram solicitados. Esse painel de laboratório consistiu em 28 testes, embora nem todos os testes tenham sido feitos em todos os casos. Apresentações onde os resultados dos exames estavam faltando ou onde os valores eram extremos foram excluídas. Depois do primeiro caso de COVID-19 na Holanda, pacientes com sintomas foram testados pro vírus.

Os painéis laboratoriais de rotina incluíram vários testes de sangue, como níveis de hemoglobina, testes de função hepática e proteína C-reativa, entre outros. Esses resultados laboratoriais foram combinados com informações demográficas dos pacientes pra ajudar a prever o status da COVID-19.

#Criação do Modelo

Pra garantir precisão e evitar overfitting (que acontece quando um modelo é muito complexo e não se sai bem com novos dados), foi usada a regressão lasso adaptativa. O modelo foi ajustado usando uma variedade de resultados laboratoriais e calculou uma pontuação de preditor linear pra cada paciente. Essa pontuação podia então ser convertida em uma categoria de risco simples que varia de baixo a alto risco pra COVID-19.

#Sistema de Pontuação

O sistema de pontuação, chamado de CoLab-score, varia de 0 a 5. Uma pontuação de 0 significa baixo risco pra COVID-19, enquanto uma pontuação de 5 indica alto risco. Essa pontuação ajuda os médicos a avaliarem rapidamente quem deve ser testado pro vírus com base nos dados mais recentes sobre a frequência do vírus na época.

O CoLab-score foi criado pra se ajustar às mudanças no número de casos de COVID-19 no pronto-socorro. Por exemplo, se o número de casos positivos de COVID-19 for baixo, somente as categorias de pontuação de risco mais alto seriam recomendadas pra teste. Esse sistema visa equilibrar a necessidade de testes com a eficiência dos recursos de saúde.

#Validação do Modelo

#Validação Interna

Pra checar como o modelo funcionou, foi feita uma validação interna usando um método chamado bootstrapping. Amostras foram retiradas dos dados originais pra entender a performance potencial em situações da vida real, considerando diferentes fatores como sensibilidade e especificidade. Os resultados mostraram que o CoLab-score poderia prever com precisão infecções por COVID-19 e ajudar na decisão de quem deveria ser testado.

#Validação Temporal

Durante a segunda onda de COVID-19, dados foram coletados do mesmo hospital pra verificar se o modelo ainda funcionava em condições mais desafiadoras. Os resultados mostraram que, embora algumas medidas de performance fossem um pouco menores em comparação à primeira onda, o modelo ainda ajudou a identificar pacientes com COVID-19.

#Validação Externa

O modelo também foi validado em três outros hospitais na Holanda. Os resultados mostraram que o CoLab-score teve um desempenho consistente em diferentes cenários. Houve pequenas variações em sensibilidade e especificidade, mas a eficácia geral do modelo se manteve.

#Benefícios do CoLab-Score

O CoLab-score oferece várias vantagens importantes:

1. Rapidez no Diagnóstico: O modelo pode fornecer avaliações rápidas, permitindo decisões médicas em tempo hábil.
2. Eficiência de Recursos: Ajuda a priorizar quem realmente precisa de teste, o que pode economizar custos e reduzir a pressão sobre as instalações de teste.
3. Ampla Aplicabilidade: O modelo pode ser usado em vários ambientes hospitalares, tornando-o versátil pra diferentes sistemas de saúde.

#Limitações do Estudo

Apesar de o CoLab-score mostrar potencial, há algumas limitações a serem consideradas. Cerca de 13% a 18% das apresentações de pacientes não puderam ser usadas na análise devido à falta de resultados laboratoriais. Isso é um problema comum em muitos estudos e não implica necessariamente um viés significativo nos resultados.

O modelo depende de resultados laboratoriais que podem mudar com base na população e nos métodos de teste usados em cada hospital. Embora o CoLab-score seja uma ferramenta promissora pra avaliar o risco de COVID-19, é essencial reavaliar e ajustar constantemente o modelo à medida que novas variantes do vírus surgirem.

#Direções de Pesquisa Futura

À medida que a COVID-19 continua a evoluir, mais pesquisas são necessárias pra garantir que o CoLab-score continue eficaz contra novas variantes do vírus. O modelo também pode ser adaptado pra uso em outros contextos de doenças infecciosas além da COVID-19.

#Conclusão

O CoLab-score oferece uma ferramenta valiosa pros hospitais ajudarem a determinar de forma rápida e precisa quais pacientes do ED devem ser testados pra COVID-19. Usando exames laboratoriais de rotina, o modelo pode equilibrar eficazmente a necessidade de testes com a realidade dos recursos de saúde, especialmente em tempos de alta demanda.

À medida que mais hospitais começam a implementar esse sistema de pontuação, isso pode levar a uma melhora no atendimento aos pacientes durante a pandemia em curso. A esperança é que ferramentas como o CoLab-score continuem a evoluir e se adaptar, ajudando os sistemas de saúde a gerenciar não apenas a COVID-19, mas também outros desafios de saúde pública no futuro.