Predição de mortalidade intra-hospitalar em pacientes com insuficiência cardíaca: extreme gradient boosting versus GWTG e ADHERE

Introdução. A insuficiência cardíaca (IC) tem uma prevalência estimada em 64 milhões de pessoas em todo o mundo. Prever o risco de mortalidade em pacientes com IC é crucial para identificar indivíduos de alto risco e estabelecer estratégias de tratamento adequadas. Algoritmos de aprendizado de máquina oferecem imenso potencial para a previsão de risco de doenças cardiovasculares, incluindo IC. Este estudo teve como objetivo avaliar e comparar o desempenho preditivo do Extreme Gradient Boosting (XGB), um modelo de classificação usado em conjunto com um algoritmo de aprendizado de máquina, com dois escores tradicionais, ADHERE e GWTG, para risco de mortalidade em pacientes internados na UTI com IC. Materiais e métodos. A partir do banco de dados MIMIC-IV, uma base pública americana de dados em saúde, selecionamos pacientes com 18 anos ou mais, com diagnóstico de IC internados em unidades de terapia intensiva cardíaca (UTIC). Desenvolvemos um modelo de previsão de risco usando o algoritmo XGB e calculamos as pontuações ADHERE e GWTG para comparação. A variável prevista foi a taxa de mortalidade hospitalar. O desempenho desses escores e do modelo XGB foi avaliado por meio da área sob a curva característica de operação do receptor (AUROC). Resultados. Um total de 5664 pacientes adultos foi incluído no estudo e dividido aleatoriamente em um grupo de derivação (n = 4482, 80%) ou de validação (n = 1122, 20%). A análise revelou 346 óbitos intra-hospitalares, representando 6,2% da população total de pacientes. O desempenho do nosso modelo baseado em XGB (AUC = 72,1% IC: 65,23%-79%) foi superior ao do GWTG (AUC = 65,5% IC: 58,7-72,2%) e do ADHERE (AUC = 63,4% IC: 56,6%-70,2%). O débito urinário e a PAM se destacaram como preditores significativos de risco. Conclusão. Desenvolvemos um modelo de previsão de mortalidade intra-hospitalar específico para pacientes com IC em UTIC, que demonstrou um desempenho superior aos modelos ADHERE e GWTG, sugerindo sua utilidade para aprimorar decisões clínicas. Sua implementação rotineira e avaliação em estudos prospectivos são indicadas para validar seu potencial em cenários reais

Author dc:creator

• Palmer, Dayanna de Oliveira Quintanilha

Statement dc:rights

• Open Access

Language dc:language.iso

pt_BR

Repository record dc:identifier.uri

https://app.uff.br/riuff/handle/1/39432

OAI identifier oai:identifier

oai:app.uff.br:1/39432