Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

Na unidade de terapia intensiva, o corpo está frequentemente combatendo uma guerra em duas frentes. Um inimigo é a sepse, uma reação potencialmente fatal a uma infecção que coloca o sistema imunológico em sobrecarga, danificando órgãos e tecidos. O outro é a lesão renal aguda, uma falha súbita dos rins em filtrar resíduos do sangue. Quando essas duas condições ocorrem juntas, a situação torna-se particularmente perigosa. Os rins estão entre os primeiros órgãos a sofrer quando o corpo é sobrecarregado pela sepse e, quando eles falham, o risco de morte ou de incapacidade de longo prazo aumenta drasticamente. Durante décadas, os médicos confiaram em diretrizes gerais para diagnosticar e gerenciar essas condições, mas essas regras foram desenhadas para populações amplas, não para a realidade única e complexa de um paciente individual deitado em um leito hospitalar. O desafio tem sido passar de regras gerais para previsões precisas: saber, precocemente, quais pacientes específicos têm maior probabilidade de sofrer desfechos renais graves dentro de um mês, para que o cuidado possa ser personalizado para salvá-los.

Uma equipe de pesquisadores propôs-se a construir uma ferramenta que pudesse fazer essa previsão com maior precisão. Eles recorreram a uma vasta coleção de registros médicos digitais de milhares de pacientes que haviam sido admitidos em unidades de terapia intensiva nos Estados Unidos. Especificamente, focaram em um grupo de 10.906 adultos que desenvolveram lesão renal aguda dentro de dois dias após o diagnóstico de sepse. Os pesquisadores queriam ver se conseguiam identificar um padrão nos dados que sinalizasse um alto risco de "eventos renais adversos maiores" em 30 dias. Este desfecho é uma combinação séria de três coisas: morrer no hospital, precisar de uma máquina para filtrar o sangue (diálise) ou ter uma função renal que permaneça permanentemente danificada após a alta. Para encontrar a resposta, a equipe não dependeu de uma única fórmula ou de uma lista de verificação simples. Em vez disso, utilizaram um tipo sofisticado de aprendizado computacional, frequentemente chamado de aprendizado de máquina (machine learning), que permite ao computador encontrar relações complexas e ocultas em quantidades massivas de dados que os olhos humanos poderiam perder.

Os pesquisadores alimentaram o computador com uma ampla gama de informações sobre cada paciente, coletadas durante as primeiras 24 horas de sua estadia na UTI. Isso incluiu detalhes básicos como idade e sexo, um histórico de outras doenças como doenças cardíacas ou diabetes, e um retrato de seu estado físico atual. O computador analisou sinais vitais como frequência cardíaca e velocidade respiratória, bem como resultados detalhados de exames de sangue medindo o quão bem o fígado e os rins estavam funcionando, quanto oxigênio havia no sangue e como o corpo estava lidando com a infecção. Eles também observaram se os pacientes haviam recebido medicamentos que poderiam ser prejudiciais aos rins ou drogas para apoiar a pressão arterial. A equipe testou oito tipos diferentes de algoritmos de aprendizado de máquina, cada um utilizando uma abordagem matemática ligeiramente diferente para aprender com os dados. Eles treinaram esses modelos em um grande grupo de pacientes e depois os testaram em um grupo separado para ver se os modelos conseguiam prever corretamente o desfecho para pessoas que nunca haviam sido vistas antes.

Após realizar os testes, um modelo se destacou como o mais confiável. Era um sistema conhecido como CatBoost, que provou ser melhor em distinguir entre pacientes que teriam um bom desfecho e aqueles que enfrentariam um evento renal grave do que qualquer um dos outros sete modelos com os quais foi comparado. Quando os pesquisadores aplicaram este modelo de melhor desempenho a um conjunto completamente diferente de pacientes de outro banco de dados, ele manteve sua precisão, sugerindo que os padrões aprendidos eram reais e não apenas um acaso do primeiro grupo de dados. O modelo alcançou um nível de precisão que é considerado forte na previsão médica, identificando corretamente o risco para a vasta maioria dos pacientes. Isso significa que, para um novo paciente com sepse e lesão renal, o modelo poderia analisar seus dados iniciais e fornecer uma estimativa clara de seu risco de sofrer um evento renal grave dentro de um mês.

Para garantir que os médicos pudessem confiar e compreender as decisões do modelo, os pesquisadores não o trataram como uma "caixa preta" que simplesmente fornece uma resposta sem explicação. Eles utilizaram um método para decompor a previsão e mostrar exatamente quais fatores estavam elevando ou reduzindo o risco para cada indivíduo. A análise revelou que o preditor mais poderoso de um desfecho ruim era simplesmente a gravidade da lesão renal no momento da admissão. Pacientes com estágios mais avançados de danos renais tinham muito mais probabilidade de ter um desfecho desfavorável. Além dos rins, o modelo destacou a importância do histórico de saúde geral do paciente, a gravidade de sua falência de órgãos e sua frequência respiratória. Também mostrou que a exposição a certos medicamentos que podem prejudicar os rins aumentava o risco. Ao mostrar como esses fatores se combinavam para criar um perfil de risco específico para uma única pessoa, o modelo vai além de uma estatística genérica para oferecer uma visão personalizada da situação do paciente.

O estudo confirma que é possível usar dados do primeiro dia de uma estadia na UTI para prever complicações renais graves em pacientes com sepse. As descobertas sugerem que, ao combinar os sinais vitais imediatos do paciente, seus exames de sangue e seu histórico médico, um modelo computacional pode fornecer uma avaliação transparente e precisa de seu risco futuro. Esta abordagem não substitui o julgamento de um médico, mas oferece uma ferramenta poderosa para apoiá-lo. Ela permite que as equipes médicas identifiquem os pacientes que estão mais vulneráveis desde cedo, possibilitando potencialmente a intervenção precoce ou um monitoramento mais próximo. Embora o modelo tenha sido testado em dados de hospitais americanos e possa precisar de validação adicional em outras partes do mundo, a descoberta central é que os sinais para um desfecho renal ruim estão presentes e são mensuráveis desde o início de uma doença crítica. Este trabalho representa um passo em direção a um futuro onde o cuidado na unidade de terapia intensiva seja guiado por previsões precisas e individualizadas, em vez de médias amplas, ajudando a garantir que os pacientes de maior risco recebam a atenção necessária.