A carregar...
Publicação
Extubação de doentes críticos: Previsão do desfecho para apoio à decisão clínica
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 14.54 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A extubação constitui um momento crítico no processo de desmame da ventilação mecânica invasiva, estando associada a risco significativo de complicações em caso de falha. A previsão precisa do sucesso da extubação permanece, contudo, um desafio clínico, dada a natureza multifatorial do desfecho (1–3). O presente estudo teve como objetivo principal desenvolver e validar modelos preditivos baseados em técnicas de machine learning, de forma a antecipar o resultado da extubação em doentes internados em unidades de cuidados intensivos. De forma específica, pretendeu-se avaliar o desempenho classificativo dos modelos, comparar diferentes estratégias para o tratamento do desbalanceamento de classes e identificar as variáveis clínicas com maior impacto no desfecho. O estudo recorreu à base de dados MIMIC-IV (4,5), resultando numa amostra final de 2571 episódios, com inclusão de 54 variáveis abrangendo dados demográficos, sinais vitais, parâmetros ventilatórios, indicadores neurológicos e farmacológicos. Foi formulada uma tarefa de classificação binária, destinada a prever o sucesso ou insucesso da extubação. Foram construídos e avaliados nove modelos de classificação, incluindo algoritmos de ensemble learning (Random Forest, Catboost) e de deep learning (LSTM) (6–8). Adicionalmente, foram testadas estratégias de correção do desbalanceamento, nomeadamente o ajuste de pesos internos e a aplicação da técnicas de oversampling BorderlineSMOTE (9). A análise interpretativa, baseada em valores Shapley Additive Explanations (SHAP) (10), permitiu explorar a relevância das variáveis para a previsão. Os resultados apresentaram valores de desempenho de AUC-ROC: 0.71–0.76, sensibilidade: 0.63–0.76, especificidade: 0.65–0.78, precisão: 0.92–0.94 e F1-score: 0.75–0.77, verificando-se variações nos perfis consoante o algoritmo e a estratégia adotada. Nenhuma das estratégias de balanceamento se revelou claramente superior em todas as métricas, mas ambas contribuíram para ganhos específicos. Entre as variáveis com maior relevância preditiva destacaram-se parâmetros respiratórios, indicadores de sedação e analgesia, instabilidade hemodinâmica e fatores associados aos testes de respiração espontânea. Este trabalho contribui para o corpo de conhecimento científico ao demonstrar a aplicabilidade de algoritmos de machine learning na previsão do desfecho da extubação e ao identificar determinantes clínicos consistentes com a evidência publicada (11–15). Os modelos desenvolvidos devem, contudo, ser entendidos como provas de conceito. Estudos futuros deverão incluir amostras multicêntricas e validações externas, bem como a integração de séries temporais e novos marcadores clínicos, de modo a aproximar estes algoritmos da prática clínica segura e eficaz.
Descrição
Palavras-chave
Extubação Ventilação mecânica invasiva Machine learning Modelos preditivos