Uma importante tarefa em combate à COVID-19 envolve o diagnóstico rápido e correto de pacientes, o qual não é apenas crítico para seu prognóstico, mas também pode ajudar em uma gestão mais eficiente de recursos hospitalares. Dados reais, geralmente, contêm padrões complexos, além das características físicas. Redes complexas são excelentes ferramentas para representação de dados e, por meio da utilização de métricas adequadas, é possível a caracterização de padrões de dados, pois essas possuem capacidade de capturar o relacionamento espacial, topológico e funcional entre os dados. Este trabalho tem como objetivo analisar imagens de radiografia para auxiliar diagnóstico e prognóstico de pacientes com COVID-19. Para isso, uma técnica de classificação de dados de alto nível, baseada em redes complexas, será utilizada e, através da métrica comunicabilidade, buscaremos encontrar padrão de dados e extrair características que permitam predizer a classe correta das imagens de raio-X. Resultados experimentais mostram que o método proposto consegue alta precisão de classificação para as imagens de raio-X de tórax. Neste trabalho, também foi realizado um estudo comparativo com as técnicas de classificação tradicionais. Os resultados mostram que o desempenho do método proposto é competitivo. Esperamos que o presente trabalho gere relevantes contribuições para o combate à COVID-19.

An important task in combating COVID-19 involves the rapid and correct diagnosis of patients, which is not only critical to their prognosis, but can also help in a more efficient management of hospital resources. Real data often contains complex patterns in addition to physical characteristics. Complex networks are excellent tools for data representation and, through the use of appropriate metrics, it is possible to characterize data patterns, as they have the capacity to capture the spatial, topological and functional relationship between the data. This work aims to analyze radiographic images to aid in the diagnosis and prognosis of patients with COVID-19. For this, a high-level data classification technique, based on complex networks, will be used and, through the communicability metric, we will seek to find data patterns and extract characteristics that allow us to predict the correct class of X-ray images. Experimental results show that the proposed method achieves high classification accuracy for chest X-ray images. In this work, a comparative study with traditional classification techniques was also carried out. The results show that the performance of the proposed method is competitive. We hope that the present work will generate relevant contributions to the fight against COVID-19.