# Modelos de machine learning para sepse são explicáveis e incorporam biomarcadores como PCR e procalcitonina?

> Uma revisão sistemática de 37 estudos mostrou aumento temporal no uso de métodos de explicabilidade em modelos de predição de sepse. No entanto, biomarcadores-chave como procalcitonina e proteína C reativa não estavam entre as features preditivas principais, revelando uma lacuna entre as explicações dos modelos e a fisiopatologia conhecida da sepse.

Estudo citado: Papapanagiotou I, Karalis A, Kokkoris S, Vrettou CS, Kampouropoulou O, Giannopoulou V et al.. Machine learning for early detection and prediction of sepsis: explainability and key sepsis biomarkers representation-A systematic review. International journal of medical informatics. 2026. DOI: https://doi.org/10.1016/j.ijmedinf.2026.106420. PubMed: https://pubmed.ncbi.nlm.nih.gov/41962401/

## Resposta

A revisão sistemática analisou 37 estudos que usaram machine learning para predição de sepse em adultos criticamente enfermos, com definição baseada nos critérios Sepsis-3. O objetivo foi avaliar a explicabilidade dos modelos e se as explicações refletiam biomarcadores-chave da sepse.

Os resultados mostraram um aumento temporal notável no uso de métodos de explicabilidade, com odds aproximadamente 67% maiores por ano. Apesar disso, os biomarcadores procalcitonina e proteína C reativa não figuraram entre as features preditivas mais importantes na maioria dos modelos.

Os autores discutem que as atribuições dos modelos frequentemente refletem o que os registros eletrônicos de saúde medem de forma mais consistente, como sinais vitais, em vez do que é biologicamente específico. Isso ocorre em parte devido à alta taxa de dados faltantes e amostragem irregular de PCR e procalcitonina em bases de dados públicas.

A heterogeneidade na seleção de features e a dependência de bases de dados locais limitam a generalização dos achados, enquanto o compartilhamento esparso de código e dados restringe a reprodutibilidade. A revisão conclui que há uma lacuna consistente entre as explicações dos modelos e os biomarcadores-chave da sepse.

Para o médico, esses achados reforçam a necessidade de cautela ao interpretar modelos preditivos de sepse, pois as explicações podem não capturar mecanismos fisiopatológicos relevantes. A aplicação clínica deve considerar essa limitação e buscar modelos que integrem biomarcadores específicos quando disponíveis.

## O que o estudo mostrou

Revisão sistemática seguiu diretrizes PRISMA e incluiu 37 estudos com definição de sepse pelos critérios Sepsis-3 em adultos criticamente enfermos. A análise revelou aumento temporal no uso de métodos de explicabilidade (odds ≈67% maiores por ano). No entanto, procalcitonina e proteína C reativa não estavam entre as features preditivas principais, indicando lacuna entre as explicações dos modelos e a fisiopatologia da sepse.

## Limitações

O resumo não informa detalhes sobre a qualidade individual dos estudos incluídos, nem sobre a heterogeneidade das populações ou dos modelos. A dependência de bases de dados públicas com alta taxa de dados faltantes para PCR e procalcitonina pode ter influenciado os achados. O compartilhamento limitado de código e dados restringe a reprodutibilidade e a generalização dos resultados.

## Aplicação no consultório

Ao utilizar ou avaliar modelos de machine learning para sepse na prática clínica, o médico deve estar atento à explicabilidade e à inclusão de biomarcadores relevantes. A ausência de PCR e procalcitonina entre as features principais sugere que os modelos podem não capturar completamente a fisiopatologia. Isso implica cautela na interpretação de alertas automatizados e reforça a importância da avaliação clínica integrada. Na gestão do consultório, considerar a qualidade dos dados disponíveis e a necessidade de validação local dos modelos antes da implementação.

## Perguntas para aprofundar

- Como a explicabilidade dos modelos de machine learning para sepse pode ser avaliada na prática clínica?
- Quais biomarcadores devem ser priorizados em modelos preditivos de sepse?
- Quais são os desafios para implementar modelos de machine learning para sepse em ambientes com dados limitados?

Tema: IA em emergência e UTI. Página: https://alphadoctor.com.br/ciencia/ia-emergencia-uti/modelos-de-machine-learning-para-sepse-sao-explicaveis-e-incorporam/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.