A sepse é uma condição médica grave causada por uma resposta imunológica anormal à infecção, muitas vezes resultando em falência de órgãos e altas taxas de morbidade e mortalidade. O tratamento imediato, especialmente com antibióticos, pode melhorar muito os resultados. No entanto, a apresentação clínica diversificada da sepse torna a detecção precoce um desafio, contribuindo para altas taxas de mortalidade. Isto sublinha a necessidade urgente de ferramentas fiáveis de avaliação de risco para ajudar os médicos a identificar pacientes de alto risco com rapidez e precisão. Embora muitas ferramentas tenham sido propostas, como métodos clínicos, testes laboratoriais e biomarcadores, nenhuma foi universalmente aceita. Notavelmente, nenhum modelo baseado em IA para detecção de sepse recebeu aprovação da FDA para uso comercial.
Pesquisadores da NEJM AI, parte da Sociedade Médica de Massachusetts, desenvolveram e validaram o Sepsis ImmunoScore, a primeira ferramenta baseada em IA aprovada pela FDA para identificar pacientes em risco de sepse. Projetada para integração com registros médicos eletrônicos (EMRs), esta ferramenta baseada em aprendizado de máquina prevê a probabilidade de início ou progressão da sepse dentro de 24 horas após o diagnóstico do paciente. Em abril de 2024, recebeu a aprovação de comercialização da FDA de novo. O estudo teve como objetivo avaliar a eficácia do Sepsis ImmunoScore na detecção de sepse (com base nos critérios Sepsis-3) e seus desfechos secundários, incluindo mortalidade hospitalar, internação em UTI, tempo de internação, ventilação mecânica e uso de vasopressores.
O estudo conduziu um estudo prospectivo e multicêntrico para desenvolver e testar um algoritmo de ML, o Sepsis ImmunoScore, projetado para diagnosticar sepse dentro de 24 horas e avaliar resultados de doenças críticas, como morte e internação na UTI. O estudo envolveu pacientes adultos hospitalizados em cinco hospitais dos EUA entre abril de 2017 e julho de 2022. Os participantes incluíram aqueles com suspeita de infecções e amostras de plasma com heparina de lítio coletadas seis horas após os pedidos de hemocultura. A população do estudo foi dividida em três grupos: aquisição (n=2.366), validação interna (n=393) e validação externa (n=698). O desfecho primário foi o diagnóstico de sepse em 24 horas pelo método Sepsis-3, enquanto os desfechos secundários incluíram métricas como mortalidade hospitalar, tempo de internação, transferência para UTI, ventilação mecânica e uso de vasopressores.
O Sepsis ImmunoScore, desenvolvido usando um modelo de floresta aleatória, utilizou 22 características específicas do paciente, incluindo sinais vitais e resultados laboratoriais, para prever o risco de sepse. Os dados faltantes para determinados parâmetros foram tratados por imputação. A precisão do algoritmo foi testada usando AUROC, razões de verossimilhança e valores preditivos para todas as categorias de risco, com intervalos de confiança relatados. Uma análise de sensibilidade distinguiu entre o primeiro diagnóstico de sepse e os casos que se desenvolveram em 24 horas.
O estudo avaliou 3.457 consultas de pacientes com resultados válidos do Sepsis ImmunoScore distribuídos por todas as coortes disponíveis (2.366 consultas), validação interna (393) e validação externa (698). Os participantes apresentaram características demográficas e clínicas típicas de pacientes com sepse nas taxas de sepse nos EUA que diferiram por coorte: 32% na alta, 28% na confirmação interna e 22% na confirmação externa. Pacientes com diagnóstico de sepse apresentaram taxas mais altas de morbidade e mortalidade graves em comparação com aqueles sem. O algoritmo Sepsis ImmunoScore usou 22 parâmetros de entrada, incluindo dados demográficos, sinais vitais, resultados do painel metabólico, hemograma completo e biomarcadores de sepse, como PCT e PCR, para gerar um escore de risco diferenciado. A análise SHAP destacou PCT, frequência respiratória e pressão arterial sistólica como os fatores mais influentes, o conjunto de detecção atingindo uma AUC de 0,85, indicando forte precisão diagnóstica.
As categorias de risco do algoritmo previram com sucesso a sepse e seus desfechos secundários, como mortalidade hospitalar, internação na UTI, ventilação mecânica e uso de vasopressores em 24 horas. A estratificação de risco mostrou um aumento gradual na gravidade do resultado em todas as categorias, confirmado por conjuntos de dados externos. A análise diagnóstica e preditiva mostrou forte desempenho, com AUC de 0,84 para diagnosticar sepse na apresentação e 0,76 para prever sua progressão em 24 horas. Esses resultados ressaltam a capacidade do Sepsis ImmunoScore de integrar dados multidimensionais para uma avaliação abrangente do risco de sepse. Em comparação com as ferramentas de diagnóstico existentes aprovadas pela FDA, que muitas vezes se concentram em biomarcadores únicos, como PCT ou propriedades biofísicas de leucócitos, o Sepsis ImmunoScore oferece uma abordagem abrangente e preditiva.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 60k + ML.
🚨 Tendências: LG AI Research Release EXAONE 3.5: Modelos de três níveis de IA bilíngue de código aberto oferecem seguimento de comando incomparável e insights profundos de conteúdo Liderança global em excelência em IA generativa….
Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a intersecção entre IA e soluções da vida real.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
