ESTRATIFICAÇÃO DE RISCO CLÍNICO-GENÔMICA NA COVID-19 POR MACHINE LEARNING EM UMA COORTE HOSPITALAR BRASILEIRA

Resumo

Este estudo de coorte retrospectivo investigou a estratificação de risco para desfechos adversos na infecção por SARS-CoV-2 por meio da integração de dados clínicos e genômicos associada à modelagem preditiva por aprendizado de máquina. Foram analisados dados de 158 pacientes com diagnóstico confirmado de COVID-19 atendidos em hospitais do estado do Paraná entre 2020 e 2021, incluindo variáveis clínicas estruturadas e variantes genéticas obtidas por sequenciamento do exoma humano. A abordagem integrada demonstrou maior capacidade discriminatória na predição de desfechos adversos quando comparada a modelos baseados em domínios isolados, evidenciando a interação entre vulnerabilidade clínica e predisposição genética. A análise de importância das variáveis indicou maior contribuição preditiva de comorbidades cardiometabólicas, manifestações respiratórias e variantes em genes relacionados à função cardiovascular, com destaque para polimorfismos nos genes GRK5, NEBL e SYNPOSL. Entre os algoritmos avaliados, modelos baseados em ensemble, especialmente o Gradient Boosting (XGBoost), apresentaram melhor desempenho preditivo global. Os achados reforçam o potencial da integração clínico-genômica associada ao aprendizado de máquina como estratégia promissora para estratificação de risco individualizada e avanço da medicina de precisão no contexto das doenças infecciosas sistêmicas.