Dados do Trabalho

Título

TREINAMENTO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA NA TERAPIA NUTRICIONAL DE PACIENTES CRÍTICOS DA BASE DA DADOS MIMIC IV.

Objetivo

Explorar a aplicação de técnicas de aprendizado de máquina (AM) na avaliação da terapia nutricional (TN), e outros dados clínicos, retrospectivos, no prognóstico do doente crítico.

Métodos

Aplicação de modelos de AM classificatórios supervisionados para predição de mortalidade em dados de 7493 pacientes admitidos entre 2008 e 2019 no Beth Israel Deaconess Medical Center (BIDMC), adultos, internados em UTI por 72h ou mais, não submetidos a cuidados paliativos, disponíveis no banco público Medical Information Mart for Intensive Care (MIMIC-IV), versão 2.2, coletados em setembro de 2023. Os modelos foram comparados em desempenho. Para explorar o impacto das variáveis foi utilizado a técnica SHAP.

Resultados

Dos três modelos testados, o XGBoost apresentou o melhor desempenho com índice de acerto na ordem de 0,87 em acurácia e 0,89 em ROC AUC e 0,04 em taxa de falsos negativos. As variáveis com maior impacto na predição da mortalidade foram: tempo de permanência em ventilação mecânica (VM), idade, dias com ureia sérica elevada, início da VM, ingestão proteica média na primeira semana de UTI, ingestão calórica média durante o internamento na UTI, média calórica durante a TN.

Conclusão

O uso do XGBoost é promissor na predição de mortalidade em UTI e na tomada de decisão personalizada em nutrição clínica. Os autores destacam a importância de um banco de dados nacional em TN e da melhor compreensão do AM por parte dos profissionais de saúde, para interação com cientista de dados, visando abordagens éticas que gerem resultados relevantes.