Uso de algoritmos de aprendizado de máquina para o diagnóstico precoce de infecção da corrente sanguínea em pacientes internados na unidade de terapia intensiva pediátrica

• Ano de defesa: 2024
• Autor(a) principal: Liporaci, Felipe Martins
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Bloodstream infection; Detecção precoce; Early detection; Infecção de corrente sanguínea; Machine learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17165/tde-22012025-170852/

A infecção da corrente sanguínea (ICS) está associada ao aumento da morbidade e da mortalidade na unidade de terapia intensiva pediátrica (UTIP) e a altos custos de saúde. A detecção precoce e o tratamento adequado da ICS podem melhorar o desfecho do paciente. Os dados sobre modelos de aprendizado de máquina para prever ICS em pacientes pediátricos são limitados e nenhum dos estudos incluiu dados de séries temporais. Nosso objetivo foi desenvolver um modelo de aprendizado de máquina para predizer o diagnóstico precoce de ICS em pacientes internados na UTIP. Este foi um estudo de coorte retrospectivo de pacientes que tiveram pelo menos um resultado de hemocultura positivo durante a internação em uma UTIP de um hospital universitário terciário, no período de 1o de janeiro a 31 de dezembro de 2019. Pacientes com hemocultura positiva com crescimento de contaminantes e aqueles com dados incompletos foram excluídos. Os modelos foram desenvolvidos utilizando dados demográficos, clínicos e laboratoriais coletados do prontuário eletrônico. Dados laboratoriais (hemograma completo com diferencial e proteína C reativa) e sinais vitais (frequência cardíaca, frequência respiratória, pressão arterial, temperatura, saturação de oxigênio) foram obtidos 72 horas antes e no dia da coleta da hemocultura. Um total de 8.816 dados de 76 pacientes foram processados pelos modelos. O comitê máquina foi o modelo com melhor desempenho, apresentando acurácia de 99,33%, precisão de 98,89%, sensibilidade de 100% e especificidade de 98,46%. Assim, desenvolvemos um modelo utilizando dados demográficos, clínicos e laboratoriais coletados rotineiramente que foi capaz de detectar ICS com excelente acurácia e precisão, além de alta sensibilidade e especificidade. A inclusão dos sinais vitais e da variação dos dados laboratoriais ao longo do tempo permitiu ao modelo identificar alterações temporais que poderiam ser sugestivas do diagnóstico de ICS. Nosso modelo pode auxiliar a equipe médica na tomada de decisão clínica, criando um alerta no prontuário eletrônico, o que pode permitir o início precoce de antimicrobianos e melhores resultados.