Predição precoce de sepse em unidades de terapia intensiva com séries temporais clínicas : análise comparativa de modelos de aprendizado de máquina

Fábio Fogliarini Brolesi Hélio Pedrini DOI: https://doi.org/10.34119/bjhrv9n5-155 Keywords: sepse, aprendizado de máquina, aprendizado profundo, séries temporais, MIMIC-IV

1 Abstract

A sepse é uma emergência tempo-dependente responsável por cerca de 11 milhões de mortes anuais, e sua detecção antecipada amplia a janela terapêutica. Este trabalho investiga a predição precoce de sepse em pacientes adultos internados em Unidades de Terapia Intensiva (UTIs), com até 6 horas de antecedência ao diagnóstico formal, por meio de uma análise comparativa sistemática entre modelos de aprendizado de máquina aplicados a séries temporais clínicas. Utilizando dados clínicos longitudinais extraídos da base MIMIC-IV, foi construída uma coorte de pacientes adultos com primeira internação em UTI e permanência mínima de 12 horas, com identificação de casos de sepse segundo os critérios internacionais Sepsis-3. Foram treinados e comparados Florestas Aleatórias e XGBoost, que operam sobre representações tabulares, e CNN1D (com e sem atenção temporal), LSTM (unidirecional e bidirecional) e Transformer, que exploram explicitamente a estrutura sequencial dos dados. Todos os modelos superaram o limiar de AUROC de 0,75, com os modelos de aprendizado profundo alcançando AUROC entre 0,932 e 0,945, contra 0,837 e 0,842 dos modelos tabulares. A diferença foi ainda mais pronunciada na AUPRC: os modelos neurais atingiram valores entre 0,630 e 0,678, contra 0,219 e 0,280 dos modelos com base em árvores. O CNN1D sem atenção gerou 191 falsos positivos contra 835 das Florestas Aleatórias, e os modelos neurais alcançaram valor preditivo positivo entre 0,557 e 0,622. Entre os modelos de redes neurais, as diferenças de desempenho foram marginais, sem evidência de superioridade inequívoca de um sobre os demais.

Onde ler este trabalho

Críticas e sugestões sobre o método e os resultados são bem-vindas. Os dados e as escolhas metodológicas estão descritos nos textos acima.