Quais preditores são usados em algoritmos de inteligência artificial para prever sepse e qual o desempenho desses modelos?
Resposta curta: Uma revisão sistemática identificou 194 preditores usados em algoritmos de machine learning para prever sepse, com média de 13 por estudo. Os mais prevalentes incluíram idade, sexo, tabagismo, álcool, frequência cardíaca, pressão arterial, lactato, comorbidades, leucócitos e hematócrito. A sensibilidade média foi 75,7% e a especificidade média 63,08%.
Resposta
A sepse é uma condição potencialmente fatal associada ao aumento da mortalidade. Ferramentas de inteligência artificial podem auxiliar a tomada de decisão clínica ao sinalizar pacientes com risco de desenvolver infecção e sepse subsequente. Esta revisão sistemática teve como objetivo identificar o conjunto ideal de preditores usados para treinar algoritmos de aprendizado de máquina para prever a probabilidade de infecção e sepse.
A revisão foi registrada no banco de dados PROSPERO (CRD42020158685) e conduzida em três grandes bases de dados: Medline, Cumulative Index of Nursing and Allied Health Literature e Embase. Foram elegíveis estudos quantitativos de pesquisa primária que focassem na predição de sepse associada a infecção bacteriana em adultos, em todos os ambientes de cuidado. Dezessete artigos atenderam aos critérios de inclusão.
Foram identificados 194 preditores utilizados para treinar algoritmos de aprendizado de máquina, com média de 13 preditores por estudo. Os preditores mais prevalentes incluíram idade, sexo, tabagismo, ingestão de álcool, frequência cardíaca, pressão arterial, nível de lactato, doença cardiovascular, doença endócrina, câncer, doença renal crônica (eGFR<60 mL/min), contagem de leucócitos, disfunção hepática, abordagem cirúrgica (aberta ou minimamente invasiva) e hematócrito pré-operatório < 30%.
Todos os estudos incluídos utilizaram técnicas de inteligência artificial, com sensibilidade média de 75,7 ± 17,88 e especificidade média de 63,08 ± 22,01. O tipo de preditor influenciou o poder preditivo e o horizonte temporal dos algoritmos desenvolvidos. A predição da probabilidade de sepse por meio de inteligência artificial pode ajudar a concentrar recursos finitos nos pacientes de maior risco. Estudos futuros devem focar no desenvolvimento de algoritmos mais sensíveis e específicos.
O que o estudo mostrou
Revisão sistemática registrada no PROSPERO, com busca em Medline, Cumulative Index of Nursing and Allied Health Literature e Embase, incluindo dezessete artigos de pesquisa primária quantitativa sobre predição de sepse associada a infecção bacteriana em adultos. Foram identificados 194 preditores usados em algoritmos de aprendizado de máquina, com média de 13 por estudo. Os mais prevalentes foram idade, sexo, tabagismo, álcool, frequência cardíaca, pressão arterial, lactato, doenças cardiovasculares, endócrinas, câncer, doença renal crônica, leucócitos, disfunção hepática, abordagem cirúrgica e hematócrito pré-operatório. A sensibilidade média foi 75,7 ± 17,88 e a especificidade média 63,08 ± 22,01.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, heterogeneidade entre as populações ou risco de viés. Também não são descritas as técnicas específicas de aprendizado de máquina utilizadas nem os ambientes de cuidado predominantes. A ausência de validação externa dos algoritmos e a variabilidade dos preditores limitam a generalização dos achados. O resumo não informa se houve meta-análise.
Aplicação no consultório
Os achados reforçam que preditores clínicos e laboratoriais comuns, como idade, comorbidades, sinais vitais e lactato, são relevantes para modelos de predição de sepse. Na prática clínica, o médico pode considerar esses fatores ao avaliar pacientes com infecção, especialmente em ambientes cirúrgicos. Para a gestão do consultório, a implementação de ferramentas de inteligência artificial requer validação local e integração com o fluxo de atendimento, além de treinamento da equipe para interpretar alertas. A revisão não fornece um algoritmo pronto para uso, mas destaca a necessidade de avaliar sensibilidade e especificidade antes da adoção.
Estudo citado
Preventing sepsis; how can artificial intelligence inform the clinical decision-making process? A systematic review. International journal of medical informatics, 2021.
Autores: Hassan N, Slight R, Weiand D, Vellinga A, Morgan G, Aboushareb F, Slight SP.
DOI: 10.1016/j.ijmedinf.2021.104457 · PubMed: PMID 33878596
Perguntas para aprofundar
- Como a inteligência artificial pode auxiliar na triagem de pacientes com suspeita de sepse no pronto-socorro?
- Quais preditores clínicos e laboratoriais são mais frequentemente usados em modelos de machine learning para sepse?
- Qual o desempenho diagnóstico dos algoritmos de inteligência artificial para predição de sepse em adultos?
Mais sobre IA em emergência e UTI
- Algoritmos de aprendizado de máquina para predição de sepse implantados em hospitais realmente reduzem mortalidade e quais são os desafios de implementação?
- Modelos de IA para predição de sepse em adultos hospitalizados têm desempenho confiável para uso clínico rotineiro?
- Modelos de aprendizado de máquina são confiáveis para prever sepse na prática clínica?
- Como modelos de aprendizado de máquina e aprendizado profundo podem auxiliar no diagnóstico precoce de sepse em unidades de terapia intensiva?
- A inteligência artificial já pode ser usada na prática clínica para manejo de sepse em UTIs pediátricas?
Todas as perguntas sobre IA em emergência e UTI · Todos os temas · Versão em markdown