# Modelos de machine learning são acurados para prever sepse em ambiente hospitalar?

> Sim, segundo esta revisão sistemática com meta-análise, modelos individuais de machine learning podem prever sepse com acurácia em dados retrospectivos, com AUROC variando de 0,68 a 0,99 na UTI, 0,96 a 0,98 em enfermarias e 0,87 a 0,97 na emergência. Porém, a heterogeneidade entre estudos limita a avaliação de resultados agrupados.

Estudo citado: Fleuren LM, Klausch TLT, Zwager CL, Schoonmade LJ, Guo T, Roggeveen LF et al.. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive care medicine. 2020. DOI: https://doi.org/10.1007/s00134-019-05872-y. PubMed: https://pubmed.ncbi.nlm.nih.gov/31965266/

## Resposta

A sepse é uma condição de reconhecimento clínico desafiador e o atraso no diagnóstico aumenta a morbimortalidade. Com o avanço do machine learning, surgiram modelos promissores para predição em tempo real. Esta revisão sistemática e meta-análise avaliou o desempenho desses modelos em diferentes cenários hospitalares.

Foram incluídos 28 artigos, dos quais foram extraídos 130 modelos. A maioria foi desenvolvida em unidades de terapia intensiva (54%), seguida por enfermarias (25%), departamento de emergência (14%) e todos esses ambientes (7%). A acurácia diagnóstica, medida pela AUROC, variou de 0,68 a 0,99 na UTI, de 0,96 a 0,98 em enfermarias e de 0,87 a 0,97 na emergência.

A meta-análise identificou que temperatura, valores laboratoriais e tipo de modelo foram os fatores que mais contribuíram para o desempenho. Apenas três artigos implementaram os modelos na prática clínica, com resultados mistos. A heterogeneidade entre estudos, especialmente devido a diferentes definições de sepse, limitou a possibilidade de agrupar os resultados.

Os autores concluem que, em dados retrospectivos, modelos individuais de machine learning podem prever o início da sepse com antecedência. No entanto, a heterogeneidade entre estudos e a escassez de implementações clínicas impedem conclusões definitivas sobre a superioridade em relação aos escores tradicionais. São necessários estudos padronizados e de implementação clínica para transpor a lacuna entre os dados e a beira do leito.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 28 artigos e extraiu 130 modelos de machine learning para predição de sepse. A maioria dos modelos foi desenvolvida em UTI (54%), seguida por enfermarias (25%), emergência (14%) e todos os ambientes (7%). A AUROC variou de 0,68 a 0,99 na UTI, 0,96 a 0,98 em enfermarias e 0,87 a 0,97 na emergência. Apenas três artigos implementaram os modelos clinicamente, com resultados mistos. Temperatura, valores laboratoriais e tipo de modelo contribuíram mais para o desempenho.

## Limitações

O resumo não informa o número total de pacientes ou o desenho detalhado dos estudos incluídos. A heterogeneidade entre estudos, especialmente devido a diferentes definições de sepse, limitou a meta-análise. Apenas três estudos avaliaram implementação clínica, com resultados mistos. A qualidade da evidência foi avaliada, mas os resultados agrupados podem não refletir a prática real. O resumo não fornece detalhes sobre vieses ou limitações específicas dos modelos.

## Aplicação no consultório

Os achados indicam que modelos de machine learning podem auxiliar na predição precoce de sepse, mas ainda não estão prontos para uso rotineiro sem validação local. O médico deve manter o julgamento clínico como principal ferramenta diagnóstica. Para gestão do consultório, considerar que a implementação requer infraestrutura de dados e treinamento. A heterogeneidade sugere cautela na adoção de modelos externos. Estudos de implementação são necessários antes de incorporar essas ferramentas na prática.

## Perguntas para aprofundar

- Quais fatores mais contribuem para o desempenho dos modelos de machine learning na predição de sepse?
- Como a heterogeneidade entre estudos afeta a aplicação clínica dos modelos preditivos de sepse?
- Quais são os desafios para implementar modelos de machine learning para sepse na prática hospitalar?

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

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