Seleção de características híbrida com novo modelo de deep learning para previsão de risco de COVID-19

Por que prever o risco de COVID-19 ainda importa

Mesmo com o mundo aprendendo a conviver com a COVID-19, o vírus não desapareceu. Novas variantes continuam a surgir, hospitais ainda podem ficar sobrecarregados e pessoas vulneráveis permanecem com risco maior de doença grave ou morte. Por isso, os médicos precisam de maneiras rápidas e confiáveis de estimar a probabilidade de um paciente infectado evoluir para um quadro grave. Este artigo apresenta um novo modelo computacional que usa dados hospitalares e inteligência artificial avançada para prever o risco de COVID-19 com mais precisão, potencialmente ajudando clínicos a decidir quem precisa de monitoramento mais próximo, tratamento precoce ou cuidados intensivos.

De registros brutos de pacientes a sinais utilizáveis

O estudo começa com um conjunto de dados clínicos muito grande: mais de um milhão de pacientes anônimos, cada um descrito por 21 características simples, em sua maioria sim/não, como faixa etária, condições subjacentes e outros fatores de risco. Os dados hospitalares do mundo real são bagunçados, então o primeiro passo é “limpá-los”. Os autores aplicam um artifício matemático chamado escala logarítmica, que comprime valores extremos e expande agrupamentos de valores muito pequenos. Essa transformação torna os dados mais estáveis e mais fáceis para os algoritmos lidarem, reduzindo a chance de que números incomuns ou indicadores esparsos enganem o modelo.

Escolhendo os sinais mais reveladores

Nem toda variável registrada é igualmente útil para previsão, e um excesso de sinais fracos pode de fato confundir um sistema de inteligência artificial. Os pesquisadores, portanto, realizam seleção de características, um processo que filtra informações menos úteis e mantém os fatores mais informativos. A abordagem híbrida deles combina duas ideias: uma medida avalia quão bem uma característica separa pacientes de alto risco e baixo risco, e outra verifica o quanto as características se sobrepõem entre si. Ao equilibrar essas duas perspectivas em uma escala comum, o método favorece características que são ao mesmo tempo poderosas e não redundantes. Esse enxugamento acelera o treinamento, reduz o overfitting e foca o modelo nos padrões clinicamente mais relevantes.

Misturando reconhecimento de padrões com raciocínio fuzzy

O núcleo do artigo é um novo mecanismo de previsão chamado Rede Neural Recorrente Kronecker Profunda Fuzzy, ou Fuzzy-DKRNN. Ele mistura várias técnicas complementares. Um componente, uma Rede Kronecker Profunda, é projetado para descobrir padrões compactos e estruturados ocultos nos dados clínicos. Outro componente, uma rede recorrente profunda, é adequada para capturar dependências e tendências, por exemplo quando uma combinação de fatores ao longo do tempo influencia o risco. Sobre esses elementos, os autores adicionam um sistema de lógica fuzzy. Em vez de tomar apenas decisões rígidas de sim ou não, regras fuzzy expressam afirmações como “se vários indicadores de risco estiverem moderadamente altos, o paciente provavelmente é de alto risco.” Cada regra carrega um grau de certeza, permitindo que o modelo lide com a incerteza e as áreas cinzentas comuns na medicina.

Quão bem o modelo se sai?

Os autores testam rigorosamente seu modelo Fuzzy-DKRNN contra várias alternativas de ponta, incluindo sistemas baseados em radiografias de tórax, aprendizado de máquina tradicional e outras abordagens de deep learning. Usando medidas padrão como acurácia, precisão, recall e F1-score, o método deles consistentemente se destaca. Em sua melhor configuração, o modelo classifica corretamente cerca de 91% dos casos no geral, com alta capacidade tanto para detectar pacientes que se tornarão gravemente doentes quanto para evitar alarmes desnecessários naqueles que não se tornarão. Esses ganhos se mantêm quando a quantidade de dados de treinamento e as configurações de validação interna são variadas, sugerindo que a abordagem é robusta em vez de ajustada finamente a um cenário específico.

O que isso significa para pacientes e hospitais

Em termos simples, este trabalho mostra que combinar limpeza cuidadosa dos dados, seleção inteligente de fatores-chave de risco e um híbrido de deep learning com lógica fuzzy pode produzir previsões de risco de COVID-19 mais confiáveis a partir de informações clínicas de rotina. Essa ferramenta não substituirá os médicos, mas pode servir como um assistente de alerta precoce — sinalizando pacientes que merecem observação mais próxima, orientando a distribuição de recursos escassos como leitos de terapia intensiva e, em última análise, ajudando a reduzir mortes evitáveis. A mesma estratégia também pode ser adaptada para outras doenças em que a detecção precoce de risco a partir de dados clínicos complexos é crucial.

Citação: P, G.S., Kathiravan, M., Shanthi, S. et al. Hybrid feature selection with novel deep learning model for COVID-19 risk prediction. Sci Rep 16, 4106 (2026). https://doi.org/10.1038/s41598-026-35013-7

Palavras-chave: previsão de risco de COVID-19, deep learning, lógica fuzzy, suporte à decisão clínica, modelos de IA médica