Preditores do tempo de permanência na UTI entre pacientes com cardiopatias congênitas usando modelo de inteligência artificial: um estudo piloto

• Processo: 23/14413-7
• Modalidade de apoio: Auxílio à Pesquisa - Publicações científicas - Artigo
• Data de Início da vigência: 01 de fevereiro de 2024
• Data de Término da vigência: 31 de julho de 2024
• Área do conhecimento: Ciências da Saúde - Medicina - Cirurgia
• Pesquisador responsável: João Chang Junior
• Beneficiário: João Chang Junior
• Instituição Sede: Instituto do Coração Professor Euryclides de Jesus Zerbini (INCOR). Hospital das Clínicas da Faculdade de Medicina da USP (HCFMUSP). Secretaria da Saúde (São Paulo - Estado). São Paulo , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: artificial intelligence | Congenital heart disease | Congenital Heart Surgery | ICU-LOS Prediction | machine learning | PyCaret Library | Cirurgia Cardíaca Congênita

Resumo

ObjetivoEste estudo tem por objetivo desenvolver um modelo preditivo usando inteligência artificial para estimar o tempo de permanência na UTI (LOS) para pacientes com defeitos cardíacos congênitos (DCC) após a cirurgia, melhorando o planejamento de cuidados e o gerenciamento de recursos.ProjetoAnalisamos dados clínicos de 2.240 pacientes com cirurgia de DCC para criar e validar o modelo preditivo. Vinte modelos de IA são desenvolvidos e avaliados quanto à precisão e confiabilidade.ContextoO estudo é realizado no departamento de cirurgia cardiovascular de um hospital brasileiro, com foco em transplantes e cirurgias cardiopulmonares.ParticipantesA análise retrospectiva é realizada em dados de 2.240 pacientes consecutivos em DCC submetidos a cirurgia.IntervençõesNoventa e três variáveis pré e intraoperatórias são usadas como preditores de UTI-LOS.Medições e resultados principaisUtilizando metodologias de regressão e agrupamento para estimativa de LOS na UTI (duração da estadia na UTI), o modelo Light Gradient Boosting Machine, usando regressão, alcançou um erro médio ao quadrado (MSE) de 15.4, 11,8 e 15,2 dias para treinamento, teste e dados de teste. Os principais preditores incluíram métricas como "duração da ventilação mecânica", "peso na data da cirurgia" e "escore vasoativo e inotrópico". Enquanto isso, o modelo de agrupamento, Cat Boost Classifier, atingiu uma precisão de 0,6917 e AUC de 0,8559 com preditores semelhantes ao modelo de regressão.ConclusõesPacientes com tempos de ventilação mais altos, pontuações vasoativas inotrópicas, tempo de anóxia, tempo de desvio cardiopulmonar e menor peso, altura, IMC, idade, hematócrito e saturação pré-cirúrgica de oxigênio têm estadias mais longas na UTI, alinhando-se com a literatura existente. (AU)