Previsão de Sepsia Baseada em IA em Adultos Hospitalizados: Revisão Sistemática, Subgrupo Meta-Análise e Análise Contextual de Carga Clínica
InfectologiaO que aconteceu
Modelos de aprendizado de máquina (ML) e aprendizagem profunda (DL) foram desenvolvidos para reconhecimento mais precoce em pacientes hospitalizados, mas o desempenho relatado varia entre conjuntos de dados, janelas de previsão, configurações de cuidados e projetos de validação. A interpretação de uma única estimativa de discriminação agrupada é, portanto, incerta, especialmente porque os conjuntos de dados públicos são frequentemente reutilizados, e a maioria das provas é retrospectiva. Este estudo teve como objetivo sintetizar o desempenho de modelos de predição de sepse baseados em ML e DL em adultos hospitalizados, enfatizando janelas de predição e maturidade de validação, e descrever separadamente a sobrecarga de cuidados de saúde relacionada à sepse utilizando dados de alegações nacionais de internação coreanas. Realizamos uma revisão sistemática e metanálise dos modelos ML e DL para predição de sepse em adultos hospitalizados. O protocolo foi registrado no PROSPERO. A meta-análise de efeitos aleatórios utilizou a abordagem de Hartung-Knapp-Sidik-Jonkman, com intervalos de predição de 95%, onde estavam disponíveis estudos suficientes. Interpretação focada em subgrupos de previsão-janela e níveis de validação-maturidade em vez de uma única área agrupada sob a curva característica de operação receptora (AUROC). A potencial não independência do uso repetido das coortes Medical Information Mart for Intensive Care (MIMIC) e PhysioNet foi examinada através da avaliação da sobreposição de dados e análise de sensibilidade. Separadamente, foram utilizados dados do Serviço Nacional de Avaliação e Revisão de Seguros de Saúde Coreano para descrever o tempo de internação, os custos médicos e a contagem de cirurgias pelo tempo de episódio relacionado à sepse; esta análise não validou um modelo de IA.
O que encontraram
Foram incluídos no total 34 estudos, sendo a maioria retrospectivos estudos de desenvolvimento ou validação de modelos. Várias coortes derivadas de MIMIC ou PhysioNet reutilizadas, de modo que os 34 relatos não representaram 34 populações de pacientes totalmente independentes. O AUROC agrupado foi de 0,913 (IC 95% 0,887-0,933), com intervalo de predição de 95% de 0,660-0,983. Nas análises exploratórias de subgrupos, os AUROCs agrupados foram de 0,894 (IC 95% 0,829-0,936) para modelos que predizem sepse em 4 horas, 0,926 (IC 95% 0,897-0,948) para modelos que previram mais de 4 horas antes do início e 0,858 (IC 95% 0,581-0,964) para janelas de predição não claras ou não relatadas. Os intervalos de predição sobrepostos indicaram incerteza substancial e não estabeleceram superioridade de qualquer horizonte de predição. Os estudos prospectivos, randomizados e de implementação foram interpretados separadamente. Na análise de alegações coreanas, os grupos de episódios relacionados à sepse apresentaram maior tempo de internação e maiores custos médicos não ajustados do que os episódios gerais de internação.
Por que isso importa
Modelos de predição de sepse de ML e DL relatados frequentemente demonstraram boa discriminação em ambientes individuais de estudo, mas o desempenho em novas populações clínicas permanece incerto devido à extrema heterogeneidade, sobreposição de dados públicos, relato inconsistente e avaliação prospectiva limitada. As análises de previsão-janela e validação-maturidade foram mais informativas clinicamente do que uma única AUROC agrupada, embora exploratórias. A análise de alegações coreanas forneceu provas contextuais separadas da carga da doença e não deve ser interpretada como validação do modelo de IA.
Tradução automática do resumo original, publicado em Journal of medical Internet research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
AI-Based Sepsis Prediction in Hospitalized Adults: Systematic Review, Subgroup Meta-Analysis, and Contextual Analysis of Clinical Burden
Gyeong Min Lee, Joo-Yun Won, Eun Young Cho, Ji-Hyun Kim, Kwang Joon Kim, Yu Seung Lee, Hyun Jun Lee, Jae-Hyun Kim
Descritores MeSH
- Machine Learning
- Artificial Intelligence
- Hospitalization
- Sepsis
- Republic of Korea
- Predictive Learning Models
- Adult
- Humans