Em um estudo brasileiro, numa colaboração entre o Hospital Israelita Albert Einstein e o Labdaps (Laboratório de Big Data e Análise Preditiva em Saúde) da USP, a inteligência artificial conseguiu acertar o diagnóstico de Covid-19 em 78% das vezes.

Os cientistas agora esperam ampliar a pesquisa para direcionar os escassos testes do novo coronavírus para alvos mais certeiros, ou seja, pacientes que tenham maior chance de estarem infectados.

Os pesquisadores da parceria, que teve início pelo Proadi-SUS, alimentaram algoritmos de inteligência artificial com dados de cerca de 164 pacientes com suspeita de Covid-19 e que já tinham realizado exames RT-PCR para detectar o vírus.

As informações dos pacientes, como exames de sangue, foram usadas para treinar o algoritmo a identificar padrões que pudessem apontar a infecção pelo Sars-CoV-2.

Após o treino, o algoritmo foi testado com outros 235 pacientes do Einstein. Em 78% das vezes, o algoritmo teve sucesso em apontar o diagnóstico, positivo ou negativo.

O resultado é melhor do que os dos testes rápidos que o governo brasileiro recebeu em forma de doação, destinados para médicos, e que têm limitações. O exame tem uma chance de errar em 75% das vezes quando aponta que uma pessoa não está infectada. Para resultado positivo para contaminação, a taxa de acerto do teste rápido sobe para 86%. Os exames RT-PCR são mais precisos, mas por outro lado seu resultado demora mais.

Mas, segundo os pesquisadores envolvidos na pesquisa, a ideia não é substituir os testes pelo algorítimo, mas oferecer uma ferramenta aliada para a tomada de decisão no dia a dia da pandemia, principalmente enquanto os resultados dos testes não ficarem prontos.

No dia 30 de março, o estado de São Paulo tinha uma fila de 12 mil exames de coronavírus. Na época, o governo disse que sua capacidade era de realizar mil testes por dia. A partir do dia 2, subiria para 3.000 e, a partir do dia 10 de abril, seria de 8.000.

O modelo desenvolvido pode ser importante, por exemplo, para ajudar a equipe a diferenciar a Covid-19 da gripe, que começa a aparecer com mais força nos próximos meses.

Um dos pontos positivos do modelo desenvolvido é que a predição do diagnóstico foi possível com dados simples e baratos, obtidos através de exames de sangue comuns. As variáveis mais importantes são os dados sobre linfócitos, leucócitos, granulócitos eosinófilos, granulócitos basófilos e hemoglobinas.

O esperado é que a taxa de acerto aumente conforme o algoritmo receba mais dados.

"A tendência é que vá aprendendo cada vez mais e já estamos alimentando com mais dados", diz André Filipe de Moraes Batista, pesquisador do Einstein e do departamento de epidemiologia da Escola de Saúde Pública da USP que está envolvido no projeto. "Estamos diante de um fenômeno que não conhecemos ainda. Com novos dados e mais treinamento, pode ser que descubramos novos padrões."

A ideia agora é que outros hospitais abram e enviem seus dados para que o algoritmo possa continuar a ser treinado e validado para um possível uso cotidiano.

"Quando você desenvolve algoritmos, é importante que os coloque na mão de quem vai usá-lo", diz Édson Amaro, médico e superintendente de ciência de dados e analytics do Einstein.

Segundo ele, é necessário achar o ponto ideal na linha de atendimento no qual a tecnologia faça sentido e entender se ela realmente consegue mudar o fluxo de trabalho dos profissionais de saúde.

Os pesquisadores afirmam que o "machine learning" pode ainda contribuir em outras áreas do combate à pandemia e que já há estudos nesse sentido sendo publicados. Os algoritmos podem ajudar, por exemplo, a indicar o prognóstico dos casos de Covid-19, uma possível necessidade futura de respirador e a chance de mortalidade.