Modelos de machine learning são confiáveis para prever mortalidade em pacientes de UTI?
Resposta curta: A meta-análise mostra bom desempenho discriminatório agrupado, com área sob a curva ROC de 0,83, sensibilidade de 0,72 e especificidade de 0,81. No entanto, a maioria dos estudos não realizou validação externa e usou coortes retrospectivas, o que aumenta o risco de viés e limita a confiança na aplicação clínica imediata.
Resposta
A revisão sistemática com meta-análise reuniu estudos publicados entre janeiro de 2014 e dezembro de 2024 que avaliaram modelos de machine learning para prever mortalidade em pacientes internados em UTI. O objetivo foi sintetizar as estimativas de desempenho prognóstico desses modelos, tema ainda sem síntese abrangente na literatura.
Foram incluídos quarenta estudos, com 317 028 pacientes e 123 modelos de machine learning. Os métodos mais usados foram regressão logística, random forest e XGBoost. As variáveis preditoras mais frequentes incluíram idade, blood urine nitrogen, frequência cardíaca, frequência respiratória, SpO2 e escore da Glasgow Coma Scale.
O desempenho agrupado mostrou área sob a curva ROC de 0,83 (IC 95%: 0,80-0,86), sensibilidade de 0,72 (IC 95%: 0,68-0,76) e especificidade de 0,81 (IC 95%: 0,77-0,84). A heterogeneidade foi elevada, com I2 de 99,66% para sensibilidade e 99,93% para especificidade.
Os autores concluem que os modelos têm potencial para prever mortalidade em UTI, mas a maioria dos estudos carece de validação externa e se baseia em coortes retrospectivas, elevando o risco de viés. Estudos prospectivos multicêntricos são necessários para validar e aprimorar a confiabilidade dos modelos.
Para a prática, os modelos poderiam apoiar a identificação precoce de pacientes de alto risco, priorizar monitorização intensificada, facilitar a escalada oportuna de cuidados e subsidiar discussões proativas sobre objetivos de cuidado com as famílias. A implementação futura deve priorizar interpretabilidade e integração fluida ao fluxo de trabalho.
O que o estudo mostrou
Trata-se de revisão sistemática e meta-análise com busca em PubMed, Cochrane Library, Web of Science e Embase, incluindo quarenta estudos, 317 028 pacientes e 123 modelos de machine learning. O modelo bivariado de efeitos mistos foi usado para sintetizar o desempenho. A área sob a curva ROC agrupada foi de 0,83, a sensibilidade de 0,72 e a especificidade de 0,81, com heterogeneidade elevada.
Limitações
O resumo informa que a maioria dos estudos não realizou validação externa e que o desenvolvimento dos modelos se baseou em coortes retrospectivas, aumentando o risco de viés. A heterogeneidade foi elevada. O resumo não detalha a qualidade individual dos estudos nem o risco de viés por domínio, e não informa características específicas das populações incluídas.
Aplicação no consultório
Os achados sugerem que modelos de machine learning podem ser úteis como apoio à decisão na identificação precoce de pacientes de alto risco na UTI, ajudando a priorizar monitorização e escalada de cuidados. Para o consultório e a gestão, isso implica avaliar criticamente ferramentas antes de adotá-las, exigindo validação externa, interpretabilidade e integração ao fluxo de trabalho, além de considerar o risco de viés dos estudos disponíveis.
Estudo citado
Machine Learning for Predicting Mortality in Intensive Care Unit Patients: A Prognostic Performance Systematic Review and Meta-Analysis. Nursing in critical care, 2025.
Autores: Sun H, Kang M, Zhang H, Jia J, Wang Q.
DOI: 10.1111/nicc.70206 · PubMed: PMID 41074688
Perguntas para aprofundar
- Como interpretar a heterogeneidade elevada entre os modelos de machine learning para mortalidade em UTI?
- Quais variáveis preditoras são mais frequentemente usadas nesses modelos?
- O que falta para validar modelos de machine learning antes da adoção clínica em UTI?
Mais sobre Regulação e validação clínica de IA
- Radiômica e radiogenômica no prognóstico do câncer de cabeça e pescoço: o que a evidência atual permite aplicar na prática clínica?
- Modelos de aprendizado de máquina são superiores aos escores clínicos tradicionais na predição precoce de mortalidade na síndrome do desconforto respiratório agudo?
- Modelos de machine learning são confiáveis para prever mortalidade em pacientes com lesão renal aguda associada à sepse?
- Modelos de aprendizado de máquina superam os métodos usuais de predição diagnóstica e prognóstica no pronto-socorro?
- Modelos de inteligência artificial e aprendizado de máquina são confiáveis para prever falha no tratamento da tuberculose?
Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown