USO DE MACHINE LEARNING NO DIAGNÓSTICO PRECOCE DA DOENÇA DE KAWASAKI EM CRIANÇAS COM FEBRE AGUDA

Júlia Demuner Pimentel; Anna Roberta Leal De Azevedo; Gabriel Bucker Do Nascimento Cardoso; Gabriel Lopes Callegari Bossato; Isabelle Bonfim Coutinho; Laura Favalessa Vieira; Layane Vitória Santos Ferreira; Lidya Passigatto Loriato; Maria Carolyna Carvalho Coelho Emery Simões; Victor Magri ferraz

Todos os Trabalhos

Trabalho

Título do Trabalho

USO DE MACHINE LEARNING NO DIAGNÓSTICO PRECOCE DA DOENÇA DE KAWASAKI EM CRIANÇAS COM FEBRE AGUDA

Autores

Júlia Demuner Pimentel
Anna Roberta Leal De Azevedo
Gabriel Bucker Do Nascimento Cardoso
Gabriel Lopes Callegari Bossato
Isabelle Bonfim Coutinho
Laura Favalessa Vieira
Layane Vitória Santos Ferreira
Lidya Passigatto Loriato
Maria Carolyna Carvalho Coelho Emery Simões
Victor Magri ferraz

Modalidade

Resumo simples

Área temática

Tecnologias Emergentes em Cardiologia

Data de Publicação

21/05/2025

País da Publicação

Brasil

Idioma da Publicação

Português

Página do Trabalho

https://www.even3.com.br/anais/ii-congresso-nacional-de-cardiologia-multidisciplinar-519735/1100863-uso-de-machine-learning-no-diagnostico-precoce-da-doenca-de-kawasaki-em-criancas-com-febre-aguda

ISBN

978-65-272-1350-5

Palavras-Chave

Doença de Kawasaki, Aprendizado de Máquina, Diagnóstico Precoce.

Resumo

Introdução: A doença de Kawasaki (KD), caracterizada por vasculite sistêmica, é a principal causa de doença cardíaca adquirida em crianças. Devido à sua patogênese pouco clara e à falta de marcadores específicos, o diagnóstico atual baseia-se em critérios clínicos subjetivos, tornando a detecção precoce difícil. Diante disso, técnicas de aprendizado de máquina têm sido aplicadas para melhorar a precisão diagnóstica, diminuindo complicações. Objetivo: Busca-se avaliar a precisão do aprendizado de máquina na diferenciação da KD de outras doenças febris. Metodologia: Trata-se de uma revisão de literatura, exploratória, realizada em abril de 2025, a partir dos descritores “Machine learning”, “Diagnosis” e “Kawasaki”, conduzida no Pubmed. Foram incluídos artigos que abordassem a revisão sistemática na íntegra, meta-análises e ensaios clínicos; publicados no período entre 2016 e 2025 e disponíveis nos idiomas inglês e português. Resultados: Inicialmente foram identificados 16 artigos e, após excluir duplicatas ou trabalhos que não abordaram a doença de Kawasaki, e incluir apenas artigos abordando crianças com até dezoito anos, 7 artigos foram selecionados. Primeiramente, um estudo retrospectivo com 1517 pacientes desenvolveu e validou o KIDMATCH, um algoritmo para diferenciar a KD de outras doenças febris. O modelo atingiu 98,8% e 96,0% de acurácia em dois estágios na validação interna. Em validação externa com 175 pacientes de três hospitais, a precisão variou de 90% a 96%, auxiliando no diagnóstico precoce e permitindo tratamento imediato. Ademais, uma revisão sistemática com 29 estudos e 103.882 participantes avaliou a precisão do aprendizado de máquina na diferenciação da KD de outras doenças febris e na previsão de lesões coronarianas (CALs), resultando em um índice de concordância de 0,898 na diferenciação da KD e de 0,787 na previsão de CALs. Outro estudo, com análise de expressão gênica, desenvolveu e validou um modelo diagnóstico para a KD. O modelo, baseado em oito genes, apresentou excelente desempenho na diferenciação de KD, indivíduos convalescentes e saudáveis. Três estudos recentes utilizaram o algoritmo XGBoost para diferenciar a doença de Kawasaki (DK) de outras febris em crianças. O primeiro, com 74.641 crianças, alcançou 92,5% de sensibilidade e 97,3% de especificidade. O segundo, com 82.786 crianças e exames de sangue de rotina, obteve sensibilidade de 99,8% e especificidade de 99,7%. O terceiro, comparou 10 algoritmos com o XGBoost, o qual obteve o melhor desempenho, com alta precisão. Por fim, 4087 crianças no Hospital Infantil de Chongqing, China, foram submetidas a modelos de aprendizado de máquina para o diagnóstico da KD. O Explainable Boosting Machine (EBM) apresentou a melhor calibração e interpretabilidade, identificando largura de distribuição plaquetária, proteína total e velocidade de hemossedimentação como preditores-chave. Conclusão: Os estudos mostram que a inteligência artificial e o aprendizado de máquina são eficazes no diagnóstico da KD, diferenciando-a de outras doenças febris. No entanto, é essencial validar esses modelos em diferentes populações para garantir sua aplicabilidade clínica, assim, mais pesquisas são necessárias para confirmar a confiabilidade dessas abordagens.

Título do Evento: II Congresso Nacional de Cardiologia Multidisciplinar
Título dos Anais do Evento: Anais do II Congresso Nacional de Cardiologia Multidisciplinar
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

PIMENTEL, Júlia Demuner et al.. USO DE MACHINE LEARNING NO DIAGNÓSTICO PRECOCE DA DOENÇA DE KAWASAKI EM CRIANÇAS COM FEBRE AGUDA.. In: Anais do II Congresso Nacional de Cardiologia Multidisciplinar. Anais...Sete Lagoas(MG) online, 2025. Disponível em: https//www.even3.com.br/anais/ii-congresso-nacional-de-cardiologia-multidisciplinar-519735/1100863-USO-DE-MACHINE-LEARNING-NO-DIAGNOSTICO-PRECOCE-DA-DOENCA-DE-KAWASAKI-EM-CRIANCAS-COM-FEBRE-AGUDA. Acesso em: 16/07/2025