Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models

Abstract

A tuberculose (TB) continua sendo um desafio significativo para a saúde pública, motivado pela diversidade de cenários epidemiológicos de assistência médica, como outros fatores. A triagem custo-efetiva tem importância substancial para o controle da TB, exigindo novas ferramentas de diagnóstico. Este artigo propõe uma ferramenta de suporte à decisão (DST) para triagem de pacientes com TB pulmonar (PTB) em uma clínica secundária. A DST é composta por um modelo de ressonância adaptativa (iART) para identificação de grupos de risco (baixo, médio e alto) e uma rede neural perceptron multicamadas (MLP) para classificar pacientes como PTB ativo ou inativo. Nossa ferramenta atinge uma sensibilidade geral (SE) e especificidade (SP) de 92% (IC de 95%; 79-97) e 58% (IC de 95%; 47-68), respectivamente. Os valores de SE para pacientes com esfregaço positivo e negativo são 96% (IC de 95%; 80-99) e 82% (IC de 95%; 52-95), bem como maiores que 83% (IC de 95%; 43-97) em casos de baixo e alto risco. Mesmo em cenários com prevalência de até 20%, valores preditivos negativos superiores a 95% são obtidos. O DST proposto fornece um pré-teste rápido e de baixo custo para pacientes com PTB presuntivo, o que é útil para orientar testes confirmatórios e gerenciamento de pacientes, especialmente em cenários com recursos limitados em países de baixa e média renda.