# Modelos de machine learning são confiáveis para prever mortalidade em pacientes com lesão renal aguda associada à sepse?

> Segundo esta revisão sistemática com meta-análise, o machine learning apresentou bom desempenho na predição de mortalidade em lesão renal aguda associada à sepse, com C-index de 0,81 na derivação e 0,73 na validação. A sensibilidade foi baixa e a especificidade alta, o que deve orientar a interpretação clínica desses modelos.

Estudo citado: Lv X, Liu D, Chen X, Chen L, Wang X, Xu X et al.. Machine learning for the prediction of mortality in patients with sepsis-associated acute kidney injury: a systematic review and meta-analysis. BMC infectious diseases. 2024. DOI: https://doi.org/10.1186/s12879-024-10380-6. PubMed: https://pubmed.ncbi.nlm.nih.gov/39709376/

## Resposta

Esta revisão sistemática com meta-análise reuniu estudos sobre o valor preditivo do machine learning para mortalidade em pacientes com lesão renal aguda associada à sepse. O objetivo foi sintetizar o desempenho desses modelos, tema relevante porque a predição precoce pode apoiar decisões terapêuticas orientadas por dados.

Os autores incluíram 8 estudos, com 53 modelos preditivos e 17 algoritmos de machine learning. A meta-análise, com modelo de efeitos aleatórios, mostrou C-index global de 0,81 (IC 95%: 0,78-0,84) no conjunto de treinamento, sensibilidade de 0,39 (0,32-0,47) e especificidade de 0,92 (IC 95%: 0,89-0,95).

No conjunto de validação, o C-index global foi de 0,73 (IC 95%: 0,71-0,74), com sensibilidade de 0,54 (IC 95%: 0,48-0,60) e especificidade de 0,90 (IC 95%: 0,88-0,91). Os autores concluíram que os algoritmos tiveram bom desempenho na predição de morte por lesão renal aguda relacionada à sepse.

O resumo destaca que o machine learning pode contribuir para aprimorar a avaliação de risco e a tomada de decisão clínica no cuidado ao paciente com sepse. Também aponta a expectativa de que pesquisas futuras incluam amostras maiores e estudos multicêntricos, com validação externa mais intensiva em diferentes populações.

Para o médico, os achados sugerem potencial dos modelos como apoio à estratificação de risco, mas a queda de desempenho na validação e a sensibilidade limitada indicam cautela. O resumo não detalha características dos pacientes, preditores ou algoritmos específicos, o que restringe a transposição direta para a prática.

## O que o estudo mostrou

Trata-se de revisão sistemática com meta-análise de 8 estudos, incluindo 53 modelos preditivos e 17 algoritmos de machine learning. No treinamento, o C-index global foi 0,81 (IC 95%: 0,78-0,84), sensibilidade 0,39 (0,32-0,47) e especificidade 0,92 (IC 95%: 0,89-0,95). Na validação, o C-index foi 0,73 (IC 95%: 0,71-0,74), sensibilidade 0,54 (IC 95%: 0,48-0,60) e especificidade 0,90 (IC 95%: 0,88-0,91).

## Limitações

O resumo não informa as características dos estudos incluídos, os preditores utilizados, os algoritmos específicos nem o risco de viés detalhado. O número de estudos é pequeno, e os autores apontam a necessidade de amostras maiores, estudos multicêntricos e validação externa em diferentes populações. A sensibilidade baixa limita a conclusão sobre o uso isolado desses modelos.

## Aplicação no consultório

Os modelos de machine learning podem ser considerados ferramentas auxiliares na estratificação de risco de pacientes com lesão renal aguda associada à sepse, sem substituir o julgamento clínico. Na gestão do consultório, a adoção exigiria verificar se o modelo foi validado na população atendida e como se comporta em termos de sensibilidade e especificidade. O resumo não permite definir protocolos ou fluxos operacionais específicos.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de machine learning na validação externa para mortalidade em lesão renal aguda associada à sepse?
- Quais preditores são usados pelos modelos de machine learning nessa população?
- Como a baixa sensibilidade desses modelos afeta a triagem de pacientes com sepse e lesão renal aguda?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-machine-learning-sao-confiaveis-para-prever-mortalidade-em-pacientes/

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