Como a aprendizagem de máquina tem sido aplicada aos dados de rotina da UTI e qual a qualidade metodológica desses estudos?
Resposta curta: Uma revisão sistemática identificou 258 estudos que usaram aprendizado de máquina em dados de UTI. A maioria visava prever complicações ou mortalidade, com mediana de 488 pacientes. Apenas 10 estudos validaram predições em dados independentes, e o AUC mediano foi 0,83 em amostras de 1000-10.000, subindo para 0,94 em >100.000. Os autores recomendam diretrizes metodológicas.
Resposta
A revisão sistemática buscou nas bases Web of Science e MEDLINE artigos que aplicaram aprendizado de máquina a dados de UTI coletados rotineiramente, excluindo processamento de imagens. Foram identificados 2450 artigos, dos quais 258 preencheram critérios de elegibilidade. Os objetivos mais comuns foram predição de complicações (77 estudos), predição de mortalidade (70), melhoria de modelos prognósticos (43) e classificação de subpopulações (29).
A mediana do tamanho amostral foi de 488 pacientes (IQR 108-4099), e 41 estudos analisaram dados de mais de 10.000 pacientes. Entre os 169 estudos que usaram aprendizado de máquina para prever complicações, mortalidade, tempo de internação ou melhora de saúde, 161 validaram as predições, mas apenas 10 (6,2%) usaram dados independentes para validação. A AUC foi relatada em 97 estudos (60,2%), com mediana de 0,83 naqueles com 1000-10.000 pacientes e 0,94 nos com mais de 100.000 pacientes.
As técnicas mais utilizadas foram redes neurais (72 estudos), máquinas de vetores de suporte (40) e árvores de classificação/decisão (34). A partir de 2015, houve aumento de publicações (125 estudos), com predominância de máquinas de vetores de suporte (37) e random forests (29).
Os autores concluem que a taxa de publicação cresce rapidamente, mas muitos estudos usam amostras pequenas para explorar todo o potencial dos métodos. Recomenda-se o desenvolvimento de diretrizes metodológicas e de relato, especialmente sobre escolha do método e validação das predições, para aumentar a confiança nos achados e facilitar a translação para a prática clínica.
O que o estudo mostrou
Revisão sistemática de 258 artigos que aplicaram aprendizado de máquina a dados de UTI coletados rotineiramente. Os objetivos mais frequentes foram predição de complicações (77 estudos) e mortalidade (70). A mediana amostral foi de 488 pacientes (IQR 108-4099), com 41 estudos acima de 10.000 pacientes. Entre os 169 estudos preditivos, 161 validaram as predições, mas apenas 10 usaram dados independentes. A AUC mediana foi 0,83 em amostras de 1000-10.000 e 0,94 em >100.000. As técnicas mais comuns foram redes neurais, máquinas de vetores de suporte e árvores de decisão.
Limitações
O resumo não informa limitações explícitas do estudo. A revisão excluiu artigos de processamento de imagens, o que pode restringir a abrangência. Além disso, os dados extraídos resumem-se a características dos estudos incluídos, sem análise de viés ou heterogeneidade. O resumo também não detalha a qualidade metodológica individual dos artigos.
Aplicação no consultório
Para o médico que atua em UTI ou gestão de consultório, os achados reforçam que modelos de aprendizado de máquina baseados em dados rotineiros podem auxiliar predições, mas a maioria dos estudos tem amostras pequenas e validação limitada. Na prática, isso sugere cautela ao adotar ferramentas preditivas sem validação externa. Gestores devem priorizar soluções com validação em dados independentes e considerar o tamanho amostral ao avaliar relatórios de desempenho.
Estudo citado
Use of machine learning to analyse routinely collected intensive care unit data: a systematic review. Critical care (London, England), 2019.
Autores: Shillan D, Sterne JAC, Champneys A, Gibbison B.
DOI: 10.1186/s13054-019-2564-9 · PubMed: PMID 31439010
Perguntas para aprofundar
- Quais métodos de aprendizado de máquina são mais usados em dados de UTI atualmente?
- Como a validação externa impacta a confiabilidade de modelos preditivos em UTI?
- Qual o tamanho amostral mínimo para desenvolver modelos de aprendizado de máquina em UTI?
Mais sobre IA em triagem e prontuário eletrônico
- Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?
- Algoritmos de inteligência artificial são eficazes para prever lesão renal aguda em adultos hospitalizados?
- Modelos de machine learning identificam e predizem a necessidade de admissão em UTI em pacientes da emergência?
- Como o aprendizado de máquina tem sido aplicado na investigação da infecção por Clostridioides difficile e seus desfechos?
- Modelos de machine learning são eficazes para prever infecção por Clostridioides difficile e suas complicações?
Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown