Predição de choque séptico e hipovolêmico em pacientes de unidade de terapia intensiva usando aprendizado de máquina
Abstrato
Objetivo: Criar e validar um modelo de predição de choque séptico ou hipovolêmico a partir de variáveis de fácil obtenção coletadas de pacientes na admissão em uma unidade de terapia intensiva.
Métodos: Foi realizado um estudo de modelagem preditiva com dados de coorte concorrentes em um hospital do interior do nordeste do Brasil. Foram incluídos pacientes com idade igual ou superior a 18 anos, que não estivessem em uso de drogas vasoativas no dia da internação e internados no período de novembro de 2020 a julho de 2021. Os algoritmos de classificação Árvore de Decisão, Random Forest, AdaBoost, Gradient Boosting e XGBoost foram testados para uso na construção do modelo. O método de validação utilizado foi a validação cruzada k-fold. As métricas de avaliação utilizadas foram recall, precisão e área sob a curva Receiver Operating Characteristic.
Resultados: Um total de 720 pacientes foram usados para criar e validar o modelo. Os modelos apresentaram alta capacidade preditiva com áreas sob a curva Receiver Operating Characteristic de 0,979; 0,999; 0,980; 0,998 e 1,00 para os algoritmos Decision Tree, Random Forest, AdaBoost, Gradient Boosting e XGBoost, respectivamente.
Conclusão: O modelo preditivo criado e validado apresentou alta capacidade de prever choque séptico e hipovolêmico desde o momento da admissão dos pacientes na unidade de terapia intensiva.
