Prevendo desfechos clínicos da infecção por SARS-CoV-2 durante a onda Omicron usando aprendizado de máquina

A variante Omicron do SARS-CoV-2 continua a sobrecarregar os sistemas de saúde. Desenvolver ferramentas que facilitem a identificação de pacientes em maior risco de desfechos adversos é uma prioridade. Os objetivos do estudo são desenvolver modelos preditivos em escala populacional que: 1) identifiquem preditores de desfechos adversos com infecções por SARS-CoV-2 durante a onda Omicron, e 2) prevejam o impacto da vacinação prioritária de grupos de alto risco para tal desfecho. Preparamos um estudo observacional longitudinal retrospectivo de uma coorte nacional de 172.814 pacientes na Administração de Saúde dos Veteranos dos EUA que testaram positivo para SARS-CoV-2 de 15 de janeiro a 15 de agosto de 2022. Utilizamos características sociodemográficas, comorbidades e status vacinal no momento do teste positivo para SARS-CoV-2 para prever hospitalização, escalonamento de cuidados (oxigênio de alto fluxo, ventilação mecânica, uso de vasopressores, diálise ou oxigenação por membrana extracorpórea) e morte em até 30 dias. Modelos de aprendizado de máquina demonstraram que idade avançada, alta carga de comorbidades, índice de massa corporal mais baixo, status não vacinado e uso de anticoagulantes orais foram preditores importantes de hospitalização e escalonamento de cuidados. Fatores semelhantes previram a morte. No entanto, o uso de anticoagulantes não previu risco de mortalidade. O modelo de morte por todas as causas mostrou a maior discriminação (Área Sob a Curva (AUC) = 0,903, Intervalo de Confiança (IC) de 95%: 0,895, 0,911), seguido pela hospitalização (AUC = 0,822, IC: 0,818, 0,826), em seguida escalonamento de cuidados (AUC = 0,793, IC: 0,784, 0,805). Assumindo um intervalo de eficácia da vacina de 70,8 a 78,7%, nossas simulações projetaram que a prevenção direcionada no grupo de maior risco pode ter reduzido a hospitalização e a morte em 30 dias em mais de 2 em 5 pacientes não vacinados.