Elaboração de modelo preditivo de mortalidade de pacientes com sepse com base em coorte retrospectiva

• Ano de defesa: 2023
• Autor(a) principal: Vieira, Juliana de Camargo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algortimo florestas aleatórias; Aprendizado de máquina; Machine learning; Máquina de vetores de suporte; Modelagem; Modeling; Mortalidade extra-hospitalar; Mortality prediction; Out-of-hospital mortality; Predição; Random forest; Sepse; Sepsis; Support vector machine
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/5/5164/tde-21092023-113001/

Introdução: Sepse é uma disfunção orgânica causada por uma resposta desregulada do hospedeiro a uma infecção (Singer et al. 2016) com alta mor-talidade (Rudd et al. 2020) cujo diagnóstico é feito pelo escore da pontuação sequencial de avaliação de falência orgânica (SOFA). Intervenções realizadas nos pacientes sépticos em momentos oportunos resultam em menor morbimortali¬dade e menor tempo de hospitalização (Barwise et al. 2016; Seymour et al. 2017). Para melhorar o atendimento ao paciente séptico e evitar o agravamento da doença é importante o desenvolvimento de modelos não enviesados e preditivos e sistemas de apoio a tomada de decisões para que estas sejam mais direcionadas e eficientes (Bulgarelli et al. 2020). Alguns modelos tentam predizer mortalidade em tempo real e obtêm área sob a curva característica de operação do receptor (AUROC) de até 0.920 quando usam aprendizado de máquina (ML) (Johnson e Mark 2017). Outros modelos trabalham na predição do diagnóstico de sepse em tempo real e em modelos de aprendizado de máquina obtêm AUROC entre 0.680 e 0,990. Métodos: Usando dados do MIMIC TV, selecionamos pacientes no momento em que apresentam escore SOFA >=2 e suspeita de infecção. Filtra¬mos dados referentes às 48 posteriores a esse momento e por meio de algoritmos de ML avaliamos parâmetros que podem ser preditivos de mortalidade geral e mortalidade extra-hospitalar. Resultados: O experimento (i) com todos variáveis que apresentavam menos de 10 % de dados faltantes obteve AUROC entre 0.66 e 0.74 (floresta aleatória). O experimento (ii) com variáveis importantes na sepse, obteve AUROC entre 0.62 e 0.72. O experimento (iii) com as variáveis com melhor desempenho individual obteve AUROC de 0.74 na predição de mortalidade extra hospitalar. O experimento (iv) com as variáveis do experimento iii e valores de CD4 e CD8, obteve AUROC de 0.93 na predição de mortalidade extra hospitalar. O experimento (v) com as variáveis com a razão CD4/CD8, obteve AUROC de 0.96 na predição de mortalidade extra hospitalar. Conclusões: O uso de variáveis coletadas rotineiramente podem contribuir para a construção e melhora da proba-bilidade de acerto de modelos que predizem mortalidade de pacientes com sepse, especialmente se incluir variáveis imunes como CD4 e CD8