A Machine Learning Model for Predicting In-Hospital Mortality among ICU Patients with Cirrhosis and Sepsis

Quando o fígado de uma pessoa é severamente danificado pela cirrose, a capacidade do corpo de combater infecções enfraquece significativamente. O fígado normalmente atua como um filtro e uma fábrica de proteínas imunológicas, mas quando ele falha, bactérias que normalmente permaneceriam no intestino podem escapar para a corrente sanguínea, desencadeando uma emergência em todo o corpo conhecida como sepse. Essa combinação de um fígado falhando e uma infecção desenfreada é uma armadilha mortal para pacientes em unidades de terapia intensiva. Os médicos há muito dependem de sistemas de pontuação padrão para estimar o quão doente um paciente está e qual a probabilidade de sobrevivência. Esses sistemas capturam um instantâneo dos sinais vitais e resultados de exames laboratoriais de um paciente, somando-os como uma lista de verificação simples para atribuir uma pontuação de risco. No entanto, essas ferramentas tradicionais frequentemente lutam com a complexidade única da doença hepática, onde problemas crônicos podem mascarar crises agudas, tornando difícil identificar os pacientes que estão prestes a piorar.

Uma equipe de pesquisadores partiu para construir uma maneira mais inteligente de prever quem sobreviveria e quem não sobreviveria. Eles recorreram ao aprendizado de máquina (machine learning), um tipo de ciência da computação onde algoritmos aprendem padrões a partir de vastas quantidades de dados em vez de seguir regras rígidas e pré-escritas. O objetivo era criar um modelo que pudesse observar as primeiras vinte e quatro horas do tempo de um paciente na unidade de terapia intensiva e estimar com precisão sua chance de morrer antes de deixar o hospital. Ao alimentar o computador com dados clínicos rotineiros — como resultados de exames de sangue, frequência cardíaca, produção de urina e se o paciente tinha uma infecção na corrente sanguínea — os pesquisadores esperavam descobrir conexões sutis que médicos humanos ou listas de verificação simples poderiam perder.

O estudo começou reunindo dados de duas fontes muito diferentes. A primeira foi um banco de dados massivo e publicamente disponível contendo registros de milhares de pacientes de terapia intensiva nos Estados Unidos. A segunda foi um grupo independente menor de pacientes de um hospital em Wuhan, China. Essa abordagem de duas partes permitiu que a equipe treinasse seu modelo de computador em um grupo grande e depois o testasse em um grupo completamente separado para ver se funcionaria em um cenário diferente. Eles focaram especificamente em adultos que apresentavam tanto cirrose quanto sepse, excluindo aqueles que permaneceram na unidade de terapia intensiva por menos de um dia, pois o modelo foi projetado para fazer previsões baseadas no primeiro dia completo de cuidados.

Os pesquisadores treinaram sete algoritmos diferentes, variando de métodos estatísticos simples a sistemas complexos de aprendizado baseados em árvores. Eles pediram a cada algoritmo que aprendesse com os dados de treinamento e depois os testaram para ver qual conseguia distinguir melhor entre os pacientes que sobreviveram e aqueles que não sobreviveram. Os resultados mostraram que um algoritmo específico, conhecido como XGBoost, superou todos os outros. Este modelo não apenas adivinhava; ele aprendeu a ponderar a importância de diferentes fatores de uma forma complexa e não linear. Por exemplo, enquanto uma pontuação padrão poderia tratar um nível alto de bilirrubina (um pigmento amarelado no sangue que indica problemas hepáticos) apenas como um ponto em uma escala, o modelo de aprendizado de máquina entendeu como esse nível interagia com outros fatores, como o tempo de coagulação sanguínea e a presença de infecção, para criar um perfil de risco específico.

Ao ser testado no grupo interno de pacientes, o modelo XGBoost identificou o desfecho com um alto grau de precisidade. Mais importante ainda, quando os pesquisadores aplicaram o mesmo modelo ao grupo independente de pacientes do hospital chinês, ele ainda apresentou um bom desempenho, provando que os padrões que aprendeu não eram apenas um acaso do primeiro conjunto de dados. A capacidade do modelo de separar sobreviventes de não sobreviventes foi significativamente melhor do que os sistemas de pontuação tradicionais usados atualmente nos hospitais. As pontuações padrão, que são amplamente confiáveis, falharam em capturar o quadro completo de risco nesses pacientes complexos, muitas vezes perdendo os sinais de alerta sutis que o modelo de aprendizado de máquina detectou.

Para entender por que o computador tomou as decisões que tomou, os pesquisadores usaram uma ferramenta que atua como um holofote, destacando quais variáveis foram mais importantes para cada previsão. Eles descobriram que os fatores mais críticos incluíam se o paciente era candidato a transplante de fígado, o nível de bilirrubina no sangue, quanto tempo o sangue levava para coagular, se o paciente tinha uma infecção na corrente sanguínea e quanta urina produzia. Essas descobertas alinham-se com a intuição médica, mas fornecem uma confirmação precisa e baseada em dados de sua importância. Por exemplo, o modelo aprendeu que um paciente com infecção na corrente sanguínea e baixa produção de urina enfrentava um risco muito maior do que alguém com apenas um desses problemas, uma nuance que as pontuações baseadas em simples adição frequentemente perdem.

O estudo também revelou que a causa específica da doença hepática importava. Pacientes cuja cirrose foi causada por hepatite viral crônica apresentavam taxas de sobrevivência diferentes daqueles cujo dano hepático veio do álcool. Essa variação nas populações de pacientes entre os dois hospitais explicou algumas das diferenças no desempenho do modelo, mas o modelo permaneceu robusto o suficiente para ser útil em ambos os grupos. Os pesquisadores observaram que, embora o modelo fosse altamente específico — ou seja, era muito bom em identificar pacientes que sobreviveriam — ele era menos sensível ao capturar cada um dos pacientes que eventualmente morreriam. Isso sugere que, embora a ferramenta seja excelente para descartar pacientes de baixo risco, ela ainda pode perder alguns indivíduos de alto risco que se deterioram rapidamente após o primeiro dia.

Em última análise, esta pesquisa demonstra que o aprendizado de máquina pode oferecer uma maneira mais matizada e precisa de avaliar o risco para alguns dos pacientes mais vulneráveis no hospital. Ao analisar o primeiro dia de cuidados, o modelo fornece uma imagem mais clara do futuro do que os métodos padrão atuais. Ele não substitui o julgamento do médico, mas oferece uma poderosa segunda opinião, fundamentada nos padrões de milhares de casos passados. O estudo conclui que tais ferramentas podem ajudar as equipes médicas a identificar pacientes de alto risco mais cedo, permitindo intervenções mais oportunas e direcionadas. Embora o modelo não seja um cristal mágico perfeito, ele representa um passo significativo no uso de dados para navegar na incerteza dos cuidados críticos, transformando números brutos em insights acionáveis que podem salvar vidas.