Aprendizagem de máquina para predizer mortalidade em pacientes com sepse e suas complicações associadas: Revisão sistemática e meta-análise

MetanáliseNível 1 · Evidência consolidadaPloS one2 nov 20260 citações

O que aconteceu

A sepse continua sendo uma das principais causas de morte em unidades de terapia intensiva em todo o mundo e pode ser acompanhada de complicações complexas, incluindo encefalopatia, coagulopatia, lesão renal aguda, disfunção miocárdica e delirium, cada uma das quais aumenta substancialmente o risco de maus resultados. O aprendizado de máquina, uma abordagem promissora para predição prognóstica, pode captar relações complexas não lineares entre fatores de risco clínicos. Entretanto, seu desempenho preditivo na sepse e suas complicações específicas ainda não estão claros. Buscamos sistematicamente PubMed, Embase, Web of Science e Cochrane Library por literatura relevante até abril de 2026. Foram incluídos estudos que objetivaram desenvolver ou validar modelos de aprendizado de máquina para predizer mortalidade em pacientes adultos com sepse e suas complicações associadas. O modelo de efeitos aleatórios ou bivariados foi utilizado para calcular a AUC, sensibilidade e especificidade.

O que encontraram

Em geral, modelos de aprendizado de máquina mostram desempenho preditivo moderado para mortalidade em curto prazo na sepse, com uma AUC combinada de 0,82 para o conjunto de treinamento (46 estudos, 15 modelos) e 0,79 para o conjunto de validação (50 estudos, 25 modelos). A regressão logística é o modelo mais amplamente avaliado, demonstrando desempenho estável (valor AUC = 0,81). Métodos integrados, incluindo floresta aleatória e XGBoost, foram igualmente bem realizados, com AUCs entre 0,81 e 0,83 em ambos os grupos. Embora LightGBM e DL-CMT tenham atingido as maiores AUCs nos conjuntos de treino e validação, respectivamente, ambas as estimativas foram baseadas num único estudo. Entre as complicações, a evidência de encefalopatia associada à sepse (AUC = 0,81, 3 estudos) e coagulopatia induzida pela sepse (AUC = 0,80, 4 estudos) é a mais conclusiva e melhor demonstrada. A lesão renal aguda associada à sepsia mostrou desempenho moderado e estável (validação AUC = 0,79; 4 estudos). A cardiomiopatia induzida por sepse mostrou atenuação significativa do treinamento para a validação (AUC 0,84 vs 0,78, todos de um único estudo), e a floresta aleatória teve bom desempenho no treinamento (AUC = 0,98), mas não foi amplamente relatada. O choque séptico atingiu a AUC mais elevada (0,95), mas esta foi baseada num único estudo. A utilidade preditiva do delirium associado à sepse é limitada (AUC = 0,67, 1 estudo), e a lesão miocárdica induzida pela sepse é moderada (AUC = 0,77, 1 estudo). Para a mortalidade a longo prazo, as evidências são extremamente carentes. Apenas a SAE (AUC 0,88 durante o treino e 0,86 durante a validação) e a SCRS (ASC combinada 0,76) forneceram estimativas de um único estudo, excluindo conclusões fiáveis.

Por que isso importa

Nesta metanálise, modelos de aprendizado de máquina mostraram desempenho preditivo moderado para mortalidade em curto prazo na sepse. Entre as complicações, a SAE e a SIC apresentaram as maiores evidências e melhor desempenho, enquanto a SAD apresentou utilidade limitada. As evidências de mortalidade a longo prazo foram extremamente escassas. Esses achados corroboram o potencial papel do aprendizado de máquina na estratificação precoce do risco prognóstico, mas também destacam a necessidade urgente de validação externa rigorosa e estudos de maior qualidade, particularmente para complicações sub-investigadas.

Tradução automática do resumo original, publicado em PloS one sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.