Covid-19 ameaça a todos, mas seu risco está concentrado em grupos específicos de pessoas. Para ajudar os leitores a entender como a doença interage com a demografia e com outras doenças (“comorbidades”), construímos um modelo estatístico de risco, usando registros no banco de dados de pesquisa Covid-19 de 425.000 pessoas na América com teste positivo. Para qualquer grupo de pessoas não vacinadas de uma determinada idade, sexo e combinação de comorbidades, nosso modelo estima a parcela que seria hospitalizada ou morreria dentro de 30 dias de um diagnóstico de covid-19. Para saber mais sobre quais condições médicas mais exacerbam a covid-19, consulte Detalhes gráficos ; a metodologia do modelo é resumida aqui .

O interativo abaixo permite explorar a saída do modelo para qualquer combinação de variáveis. Assume que as comorbidades não selecionadas não estão presentes, mesmo que muitas vezes apareçam juntas. Por exemplo, se você inserir apenas diabetes tipo 2, receberá uma estimativa para pessoas com diabetes tipo 2, mas não hipertensão. Não armazenamos nenhum registro de quais leitores usam o interativo ou de quais condições médicas eles selecionam.

Os usuários não devem interpretar esses resultados como uma avaliação de risco personalizada. O risco de qualquer indivíduo será diferente da média do grupo que nosso modelo estima. Os leitores que procuram aconselhamento médico devem consultar um médico. Combinações raras de entradas podem produzir resultados não confiáveis ​​(consulte as perguntas frequentes ).

A confiabilidade da saída de nosso modelo depende em parte de quantos exemplos da combinação especificada de idade, sexo e comorbidades estão presentes em seus dados de treinamento. Quanto mais comum for um perfil, mais estreito será o intervalo de confiança em torno da estimativa central. Insira uma idade e sexo acima, e você pode ver como o nível de risco para pessoas com esses atributos e as comorbidades listadas se compara a uma amostra representativa de 10.000 pessoas em nosso banco de dados.

Perguntas frequentes
Quais informações o estimador de risco covid-19 fornece?
Nossa ferramenta interativa estima os riscos apresentados por covid-19 para diferentes grupos de pessoas. Formalmente, é projetado para responder a uma pergunta muito específica: se um grupo de pessoas selecionadas aleatoriamente nos Estados Unidos com a idade, sexo e comorbidades especificados tivesse sido diagnosticado com covid-19 em 1º de dezembro de 2020, qual porcentagem teria morrido ou sido hospitalizado até o final do ano?

Por que você o construiu?
Os contornos gerais do risco covid-19 são bem conhecidos: as pessoas mais velhas e doentes enfrentam mais perigo do que as mais jovens e saudáveis, e os homens mais do que as mulheres. No entanto, há muito menos consciência da magnitude desses efeitos, como eles interagem entre si e quais comorbidades são mais relevantes - particularmente ao avaliar as chances de hospitalização em vez de morte. Construímos este estimador para que os leitores pudessem explorar uma ampla gama de combinações dessas variáveis.

Em que dados se baseia?
O modelo é treinado em registros médicos do banco de dados de pesquisa Covid-19, extraído de 425.000 pessoas na América com teste positivo para a doença entre maio e dezembro de 2020. O arquivo lista sua idade, sexo, data de diagnóstico, presença ou ausência de 29 comorbidades diferentes, se foram hospitalizados durante a infecção e se morreram em 2020.

O banco de dados tem várias limitações. Inclui apenas pessoas com plano de saúde e não relaciona a localização, etnia ou data de falecimento dos pacientes. A idade da maioria dos octogenários aparece como “80+”. Qualquer pessoa que entrou com uma ação médica desde 2014 citando uma comorbidade está listada com essa condição, independentemente da recência ou gravidade, evitando distinções entre tumores malignos e cânceres em remissão. Nem todo mundo sem doenças conhecidas é saudável: alguns têm doenças que não estão no menu de 29 condições.


Além disso, o banco de dados não é uma amostra representativa da população sars - c o v -2-positiva. Por conter apenas registros de pessoas que interagiram com um prestador de serviços médicos, ele exclui aqueles que resistiram à doença em casa sem assistência médica. Como resultado, as pessoas que ele rastreia são desproporcionalmente velhas e doentes. Tentamos neutralizar esse preconceito usando dados oficiais dos Centros Americanos para Controle e Prevenção de Doenças, que registram mortes e casos confirmados por idade, sexo e período de tempo. No entanto, nosso método poderia levar a uma ligeira subestimação do impacto das comorbidades no risco.

Como funciona?
As interações entre covid-19, idade, sexo e mais de 500 milhões de combinações potenciais de comorbidades - cerca de 30.000 das quais estão presentes nos dados de treinamento do modelo - são muito complexas para serem capturadas por ferramentas estatísticas padrão, como regressão logística ou modelos de riscos proporcionais . Como resultado, usamos um algoritmo de aprendizado de máquina popular chamado “árvores com aumento de gradiente” , que foi projetado para incorporar esses relacionamentos multifacetados em suas previsões. Por favor, leia nosso resumo da metodologia para um relato detalhado desse processo.

Quão preciso é isso?
Nosso estimador é extremamente confiável dentro dos limites de seu conjunto de dados de treinamento. Para medir sua precisão em dados invisíveis, dividimos aleatoriamente o arquivo em duas metades; treinou modelos separados em cada metade; e usou os modelos resultantes para fazer previsões nas metades “opostas”. O estimador teve um desempenho admirável: cerca de 5% das pessoas às quais atribuiu um risco de morte entre 4% e 6% morreram de fato; cerca de 30% das pessoas às quais atribuiu um risco de hospitalização entre 29% e 31% foram internadas em hospitais; e assim por diante. Ao avaliar a precisão dos modelos ao fazer previsões sobre dados não usados ​​para treiná-los, as árvores com aumento de gradiente se saíram muito melhor do que alternativas mais simples, como regressão logística.

Se esse desempenho pode ser replicado fora dos limites do banco de dados de pesquisa Covid-19, entretanto, é uma questão diferente. As circunstâncias da grande maioria da sars do mundo - c o vA população -2-positiva não é semelhante à das pessoas nos dados de treinamento do modelo. Exceto pela invenção da viagem no tempo, ninguém no futuro estará nos Estados Unidos em dezembro de 2020, que é uma das premissas centrais do modelo. De forma mais prática, a maioria das pessoas que pega o covid-19 tem pouca probabilidade de ser infectada com as mesmas variantes do vírus, ter genética semelhante ou receber tratamento médico com a qualidade média dos americanos na época. Não podemos estimar como qualquer uma dessas diferenças afetará o desempenho de nosso modelo, mas pelo menos algumas delas podem causar erros significativos.

Por que o risco estimado às vezes diminui em idades mais altas ou com mais comorbidades?
Essas estimativas contra-intuitivas resultam de peculiaridades em nosso conjunto de dados. Muitas condições médicas tendem a aparecer em pares ou trios. Por exemplo, quase 99% das pessoas em nosso arquivo listadas com hiperlipidemia também têm distúrbios metabólicos. Outros estão intimamente relacionados ao sexo ou idade: 97% das pessoas listadas com câncer de mama são mulheres e 96% das pessoas com doença de Parkinson têm 50 anos ou mais. Pessoas que não se enquadram nesses padrões - como pessoas com diagnóstico de hiperlipidemia, mas não distúrbios metabólicos, homens com câncer de mama ou jovens com Parkinson - provavelmente terão apresentações incomuns e talvez casos particularmente graves dessas condições, o que pode aumentar sua vulnerabilidade a covid19.

Por outro lado, 99,9994% das combinações potenciais de 500m de comorbidades nunca apareceram em nossos dados de treinamento. Embora o modelo possa fazer suposições fundamentadas sobre tais casos com base em exemplos semelhantes, suas estimativas serão pouco confiáveis. Além disso, ao contrário das abordagens baseadas em regressão - que tratam todas as variáveis ​​como tendo efeitos constantes e independentes que podem simplesmente ser somados - as árvores com aumento de gradiente não impõem tais suposições. Como resultado, eles têm a mesma probabilidade de prever que adicionar uma comorbidade ou aumentar a idade de uma pessoa diminuirá o risco em vez de aumentá-lo, na ausência de evidências em contrário.

Em casos particulares, o modelo pode ter boas razões para exibir resultados surpreendentes. Mas, em geral, sempre que parece se comportar de forma estranha, a explicação mais provável é que seus instintos estão certos e que nossa ferramenta, sem dados suficientes para produzir uma estimativa robusta, está errada. Você pode dizer quanto confiar em suas previsões pela largura de seu intervalo de confiança. Quanto mais ampla for a área sombreada ao redor da estimativa central, maiores serão as chances de que ela o esteja levando ao erro.

O que você aprendeu sobre covid-19 ao desenvolver esta ferramenta?
Ficamos mais surpresos com a diferença na importância relativa da idade e comorbidades ao medir as chances de morte em comparação com as de hospitalização. Considerando que as taxas de sobrevivência são principalmente uma função da idade, até mesmo os jovens podem facilmente acabar no hospital se tiverem condições médicas que exacerbam a gravidade da covid-19. Também ficamos surpresos ao ver que as doenças renais e hepáticas, assim como as cardiovasculares, pareciam ter interações mais perigosas com o covid-19 do que as respiratórias. Você pode ler mais sobre essas descobertas em nosso artigo Detalhes gráficos .

Como essas informações devem afetar minhas escolhas pessoais de risco?
Não deveria - pelo menos não sem antes consultar um profissional médico. Deixando de lado amplas questões sobre a confiabilidade das relações estatísticas no Banco de Dados de Pesquisa Covid-19 para o mundo em geral, nosso estimador não tem informações suficientes sobre os indivíduos para fornecer avaliações de risco pessoal precisas. Seu resultado representa médias grosseiras de grupo, das quais a situação de cada pessoa específica será substancialmente diferente. Além disso, covid-19 ainda pode prejudicar as pessoas que sobrevivem sem internação hospitalar. Muitas pessoas sofrem de sintomas debilitantes que persistem por meses, e mesmo aqueles que não sabem que estão doentes podem infectar pessoas vulneráveis ​​ao seu redor. No entanto, esperamos que nosso estimador possa lançar alguma luz sobre as decisões que as pessoas terão de enfrentar pela força das circunstâncias à medida que as sociedades se abrem.■