Apren= dizagem de máquina na previsão de índices de mortalidade em Unidades de Terapia Intensiva: Uma revisão integrativa da literatura

Machine learning in predicting mortality rates in= Intensive Care Units: An integrative review of the literature

Enathanael Ribeiro Soares<= /o:p> https:= //orcid.org/0009-0007-3234-8270	Mestrando em Ciências da Saúde. Unive= rsidade Federal do Cariri (UFCA) – Brasil. enathanael.ribeiro@gmail.com
Maria Angélica Farias Grangeiro https://orcid.org/0009-0003-5398-0161	Mestranda em Ciências da Saúde. Universidade Federal do Cariri (UFCA) – Brasil. mari_angelica_29@hotma= il.com
Ana Heloísa dos Santos https://orcid.org/0009-0000-5562-0969	Mestranda em Ciências da Saúde. Universidade Federal do Cariri (UFCA) – Brasil. ana.helo0895@gmail.com=
Joel Freires de Alencar Arrais https://orcid.org/0000-0002-5127-5309	Mestrando em Saúde e Sociedade. Universidade do Estado do Rio Grande do Norte (UERN= ) – Brasil. joel.freires00@gmail.com
Glêbia Ale= xa Cardoso https://orcid.org/0000-0003-4822-1673	Doutora em Ciências da Saúde. Universidade Federal da Paraíba (UFPB) – Brasil. glebiacardoso@uern.br<= /span>
Estelita Lima Cândido https://orcid.org/0000-0001-9434-2930	Pós-Doutor em Ciências da Saúde. Faculdade de Medicina do ABC (FMABC) – Brasil. estelita.lima@ufca.edu= .br

RESUMO

A Unidade de Terapia Intensiva é um ambiente complexo, destinado ao cuidado de pacientes críticos que necessitam de monitoramento constante e intervenções intensiva= s. A informatização dos prontuários médicos trouxe avanços significativos na ges= tão de informações, possibilitando a análise de dados em larga escala. Nesse cenário, o aprendizado de máquina (ML) emergiu como uma ferramenta revolucionária para a predição de mortalidade. Realizou-se uma revisão integrativa, abrangendo estudos publicados entre 2020 e 2024 nas bases de dados: Web of Science, LILACS, SciELO e PubMed.= Foram analisados 2.627 estudos, com 24 incluídos. A pesquisa focou na aplicação d= e ML para predição de mortalidade. Ao todo, os estudos usaram dados de 525.081 pacientes provenientes de bases como MIMIC-III, MIMIC-IV e eICU. Os algoritmos mais destacados foram XGBoost, LightGBM, Random Forest e redes neurais (LSTM, GRU), = com desempenhos superiores em AUROC, sensibilidade e especificidade. Variáveis-chave incluíram idade, lactato, creatinina, SOFA, SAPS II/III e biomarcadores inflamatórios como IL-6 e LDH. Os modelos de ML demonstraram capacidade validação de transformar o manejo de pacientes críticos ao proporcionar análises personalizadas e predições mais precisas. =

Palavras-chave: Inteligência artificial; aprendizado de máquina supervisionado; Unidade de Terapia Intensiva; hospitalização; previsão.

ABSTRACT

The Intensive Care Unit is a complex environment designed to care for critically ill patients who require constant monitoring and intensive interventions. The computerization of medical records has brought significa= nt advances in information management, enabling large-scale data analysis. In = this scenario, machine learning (ML) has emerged as a revolutionary tool for mortality prediction. An integrati= ve review was conducted, covering studies published between 2020 and 2024 in t= he following databases: Web of Science, LILACS, SciELO, and PubMed. A total of 2,627 studies were analyzed, of which 24 were includ= ed. The research focused on the application of ML for mortality prediction. In total, the studies used data from 525,081 patients from databases such as MIMIC-III, MIMIC-IV, and eICU. The most promine= nt algorithms were XGBoost, L= ightGBM, Random Forest and neural networks (LSTM, GRU), with superior performance in AUROC, sensitivity and specificity. Key variables included age, lactate, creatinine, SOFA, SAPS II/III and inflammatory biomarkers such as IL-6 and = LDH. ML models have demonstrated the validated ability to transform the manageme= nt of critically ill patients by providing personalized analyses and more accu= rate predictions.

Keywords: Artificial intelligence; machine learning; Intensive Care Unit; hospitaliza= tion; prediction.

Recebido em 19/02/2025. Aprovado em 19/08/2025. Avaliado pelo s= istema double blind peer review. Publicado conforme normas da ABNT.

https://doi.org/10.22279/n= avus.v16.2091

1 INTRODUÇÃO

= ;

A Unidade de Terapia Intensiva (UTI) é um espaço extremamente complexo e dinâmico, destinado ao atendimento de pacientes em estado crítico que requerem vigilância contínua e intervenções intensivas (BACKES; ERDMANN; BÜSCHER, 2015), onde a preocupação com o armazenamento das informações clínicas deve ser redobrada. Nesse sentido, a digitalização dos prontuários médicos representa uma mudança significativa na maneira como as informações dos pacientes e dos serviços são administradas (FARIAS et al., 2011). Essa modernização oferece diversos benefícios que afetam diretamente= a eficiência, segurança e qualidade do atendimento em saúde. A informatização= dos registros de saúde pode contribuir para a gestão das informações dos pacien= tes e aprimorar os serviços de saúde, mesmo em nações de baixa e média renda (<= span class=3DSpellE>Numair et al., 2021).

Diante desse contexto, o aprendizado de máquina (ML) = surgiu como uma solução inovadora, apresentando técnicas avançadas para a análise = de dados e a previsão de resultados significativos, incluindo taxas de mortalidade, readmissões hospitalares e progressão de estados críticos de saúde. Ferramentas como Gradient Boosting Machines, re= des neurais e algoritmos fundamentados em atenção têm demonstrado um desempenho superior em comparação aos métodos convencionais, como SAPS II e SOFA, permitindo previsões mais acuradas e intervenções fundamentadas em evidênci= as clínicas. (Yu et al., 2024).

Para contextualizar, o aprendizado de máquina, conhec= ido como machine é um subcampo da ciência da computação que se dedica à análise= e desenvolvimento de algoritmos computacionais que aprendem a partir de dados= em vez de seguirem instruções pré-definidas (DEO, 2015). A finalidade principa= l de um modelo de ML é criar um sistema computacional que seja capaz de aprender= a partir de um conjunto de dados específico e, ao final desse processo, produ= zir um modelo para predições, classificações ou detecções (Jordan; Mitchell, 20= 15).

Além do impacto técnico, a implementação do aprendiza= do de máquina nas UTIs tem o potencial de revolucionar o atendimento aos paciente= s. Esses modelos conseguem identificar pacientes em alto risco, aprimorar a utilização dos recursos hospitalares e diminuir os custos relacionados ao tratamento intensivo. Além disso, eles tornam a comunicação com os familiar= es mais eficiente, fornecendo prognósticos mais precisos e embasados em dados concretos. Dessa forma, a tecnologia não só eleva a eficiência, mas também = contribui para um atendimento mais humanizado, aperfeiçoando a precisão e a justifica= tiva das decisões médicas (Pessoa et al., 2022).

Apesar dos avanços significativos, o manejo de pacien= tes em UTIs ainda enfrenta desafios, especialmente na estratificação precoce do ri= sco de mortalidade, limitada por métodos convencionais que por vezes não integr= am adequadamente dados complexos e variáveis temporais, resultando em previsões imprecisas e atrasos terapêuticos. Este trabalho busca revisar as evidências sobre o uso de aprendizado de máquina na previsão de mortalidade em UTIs, destacando avanços, modelos promissores, variáveis-chave, desafios de implementação e estratégias para integrar essas tecnologias de forma ética e eficaz no contexto clínico.

2 METODOLOGIA

Este e= studo é uma revisão integrativa da literatura e obedece às instruções do manual para síntese de evidências do Joanna Briggs Institute (JBI) (Aromataris et al., 2024) e do Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews (Prisma-ScR) (Tricco et al., 2018), produzida entre os meses de outubro e novembro de 2024. A análise dos estudos incluídos em três bases de dados eletrônicas: Web of Science, Literatura Latino-americana e do Caribe em Ciências da Saúde (LILACS), S= cientific Electronic Library Online (SciELO), e National Library of Medicine (PubMed).

Em obs= ervância ao PICO para pesquisas não-clínicas, objetivou responder a seguinte pergunta norteadora: Quais modelos de aprendizagem de máquina têm sido empregados pa= ra prever índices de mortalidade em unidades de terapia intensiva, e como seu desempenho se compara aos métodos tradicionais em termos de acurácia e impa= cto nas decisões clínicas? Para isso, = na formulação da estratégia de busca foram utilizados os seguintes descritores: “Artificial Intelligence", "Machine Learning", "Intensi= ve Care Unit", "Hospitalization", "Prediction" e "Screening, adotando-se como operadores booleanos AND e OR. Todos os descritores estão indexados nas plataformas Descritores em Ciências da Saúde (DeCS) e Medical Subject Heading Terms (MeSH) (Quadro 1).=

Quadro 1 - Estratégias de busca

Bases de dados

Operadores booleanos

Estratégias de busca

Web of Science=

=

AND/OR

(("Artificial Intelligence" OR "Machine Learning")) AND (("Intensive Care Unit" OR "Hospitalization")) AND (("Prediction&q= uot; OR " Mass Screening."))<= /o:p>

PUBMED

AND/OR

("Artificial = Intelligence”OR "Ma= chine Learning")

AND ("Intensi= ve Care Units" OR "Hospitalization")

AND ("Prediction" OR " Mass Screening.")

("Artificial = Intelligence"OR "Machine Learning") = AND ("Intensive Care Units" OR "Hospitalization") AND ("Prediction" OR " Mass Screening.") AND ("Mortality")=

Scielo

AND/OR

("Inteligência artificial" OR "Aprendizagem de máquina") AND ("Unidade de Terapia Intensiva" OR "Hospitalização") AND ("Predição" OR " Programas= de Rastreamento ")

LILACS

AND/OR

("Inteligência Artificial" OR "Aprendizado de Máquina") AND ("Unidade de Terapia Intensiva" OR "Hospitalização") AND ("Predição" OR " Mass Screening ")

Fonte: Dados da Pesq= uisa, 2025.

Os critérios de incl= usão considerados foram os seguintes: a publicação no intervalo de 2020 a 2024; = não importando o idioma em que foi publicado nem o local onde o trabalho foi realizado, além de pesquisas baseadas em dados primários. Quanto aos critér= ios de exclusão: artigos que se mostrassem inconclusivos e/ou estudos repetidos; realizados em modelo animal. Foram excluídos também estudos de revisão e me= ta análise.

A triagem e classifi= cação dos estudos foi realizado utilizando Rayyan® co= mo ferramenta computacional permitindo a seleção dos trabalhos a partir da aná= lise dos títulos e resumos. Posteriormente realizou-se a leitura na íntegra dos estudos considerando aspectos relevantes, qualidade metodológica e adequaçã= o ao foco da pesquisa.

Os estudos seleciona= dos foram distribuídos e organizados na forma de tabela, confeccionada utilizan= do o Software Microsoft® Word, na versão 2019, com a classificação dos estudos p= or autor(es), ano de publicação, tamanho da amostra, algoritmo de destaque e principais desfechos.

2 RESULTADOS

A busca nas bases de dados resultou em 2.627 publicaç= ões. Após a exclusão de duplicatas (n=3D514), 2.113 estudos foram considerados p= ara análise inicial. A triagem subsequente, baseada na leitura de títulos e resumos, permitiu uma avaliação preliminar da relevância dos estudos em rel= ação ao objetivo da pesquisa. Foram selecionados 48 artigos para análise do text= o na íntegra, dos quais 24 foram excluídos em observância a relevância e acurácia metodológica. Assim, a amostra final foi composta por 24 estudos (Figura 1)= .

Um total de 525.081 indivíduos participaram das pesquisas (Tabela 1). Todos os estudos versam s= obre predição de mortalidade em pacientes críticos internados em Unidades de Ter= apia Intensiva. Eles exploram a aplicação de algoritmos de aprendizado de máquina para melhorar a precisão preditiva em diferentes condições clínicas. <= /o:p>

Os 24 estudos analis= ados englobaram dados de pacientes oriundos de diferentes bases de dados, como MIMIC-III, MIMIC-IV, eICU, além de bancos de da= dos regionais. Os indivíduos foram selecionados com base em condições específic= as, incluindo insuficiência cardíaca, COVID-19, diabetes tipo 2, sepse, lesão cerebral traumática, câncer colorretal e acidose láctica, com subgrupos rep= resentativos destinados à validação interna e externa.

Os algoritmos mais destacados foram XGBoost, = LightGBM, Random Forest, Support Vector Machine= (SVM) e redes neurais como LSTM e GRU. Escalas clínicas frequentemente usad= as como variáveis preditoras incluíram SOFA, SAPS II/III, APACHE II e escores = como Charlson e Elixhauser. Algumas variáveis foram usadas de forma relevante nos estudos, como idade, lactato, ureia, troponina, plaquetas, pressão arterial, glicose e biomarcad= ores inflamatórios como IL-6, LDH e CRP.

Tabela 1 - Caracterização dos 24 estudos analisados

(continua)

= Autor= = Ano=	n	Base de Dados Médica ou Local= do estudo =	= Desenho do Estudo<= b>=	Algoritmos de destaque= =
AHMAD et al. 2021	4.000	MIMIC-III	Estudo retrospectivo com aplicação de técnicas de aprendizado de máquina.	Support Vector Machine
ALDRAIMLI et al. 2022	48.546	MIMIC-III	Estudo comparativo de classificação binária.=	XGBoost
BARCHITTA et al. 2021	3.782	Rede SPIN-UTI na Itália	Estudo multicêntrico retrospectivo.	SVM
CHEN et al. 2022=	18.094	MIMIC-III	Estudo retrospectivo com aprendizado profundo.=	ATCN
CHEN et al. 2023	2.803	MIMIC-IV e eICU=	Estudo retrospectivo com validação externa.=	XGBoost
CHIU et al. 2022	6.699	MIMIC-III	Estudo retrospectivo com aplicação de ML.=	Stacking Ensemble Model
DANAY et al. 2024	2.331	eICU	Coorte retrospectivo.	XGBoost
GARCÍA-GALLO et al. 2020	5.650	MIMIC-III	Coorte retrospectiva.	SGB
GEORGE et al. 2021	4.334	MIMIC-III	Coorte retrospectiva.	DNN
GUO et al. 2023	969	eICU, MIMI= C-IV e Hospital de Wuhan.	Estudo retrospectivo multicêntrico.	Ensemble Model (Random Forest, LightGBM e XGBoost)
HU et al.= 2024	14.222	MIMIC-III	Estudo retrospectivo com validação cruzada.=	Bagging= e AdaBoost
KANG et al. 2021	219.306	MIMIC-III e eICU=	Desenvolvimento e validação de modelo.	DNN com LSTM
KIM; KWON, BAEK<= /span> 2021	16.940	Hospitais na Coreia do Sul	Estudo retrospectivo comparativo.	XGBoost
NISTAL-NUÑO et al. 2020	9.893	MIMIC-III	Comparação de modelos.	XGBoost= =
PANG et al. 2022	67.748	MIMIC-IV	Estudo comparativo.	XGBoost
NA PATTALUNG; INGVIYA; CHAICHULLE 2021	75.685	MIMIC-III, MIMIC-IV e eICU=	Estudo comparativo.	GRU
PATTHARANITIMA et al.<= /o:p> 2021	1.919	MIMIC-III	Estudo retrospectivo.	Random Forest
PEZOULAS et al. 2022	214	Hospital “Sotiria” para doenças do tór= ax, Atenas	Modelagem explicável de IA.	GBDT SAKAGIANNI et al. 2023	373	Hospital Terciário na Grécia	Estudo observacional retrospectivo.	Random Forest

4 DISCUSSÃO

A aplicação de model= os de aprendizado de máquina na predição de mortalidade, especialmente na UTI, pa= rece refletir a crescente busca por maior personalização e cuidado do paciente criticamente enfermo. Inúmeros algoritmos foram analisados para variadas po= pulações e cenários clínicos, com ênfase nos modelos fundamentados em ML, como Gradient Boosting Machines, Random Forest e suas adaptações, além de métodos mais sofisticados, como Redes Neurais Recorrentes (RNN) e modelos explicáveis.

A acurácia dos model= os preditivos adotados nos estudos foi avaliada e comparada com métodos tradicionais através da AUROC. A curva ROC (Receive= r Operating Characteristic) compara o desempenho de modelos classificatórios representando a ligação en= tre as taxas de verdadeiros positivo (sensibilidade) e falsos positivos em diferentes situações preditivas (Müller; Guido, 2016). A AUC (Área Und= er the Curve) quantifica essa curva, fornecendo um valor numérico que expressa a capacida= de do modelo de distinguir entre as classes (Hosmer; Lemeshow; Sturdivant, 201= 3), tornando-a especialmente útil para cenários com classes desbalanceadas, com= o na predição de mortalidade hospitalar. A interpretação dessa métrica pode ser vista na Tabela 2.

Tabela 2 - Interpretação/Classificação = dos valores de AUC

AUROC	Interpretação=	Desempenho do Modelo
0,5-0,6	Sem poder de discriminação	Péssimo
0,6-0,7=	Baixa capacidade preditiva	Ruim=
0,7-0,8	Moderada capacidade preditiva	Pobre
0,8-0,9=	Boa capacidade preditiva	Bom=
>0,9	Excelente capacidade de discriminação entre as classes	Excelente

Fonte: Adaptado de Polo e Miot (2020).

A adesão de técnicas= de explicabilidade como SHAP (Shapley Additive exPlanations) e LIME (Local Interpretable Model-Agnostic Explanations) é um elemento comum adotado p= elos estudos, facilitando a identificação de variáveis fundamentais e tornando as predições mais compreensíveis para a aplicação na clínica, como em Na Pattalung et al. (2021), Zhai et al. (2024), Pang et al. (2022) e Nistal-Nuño (2022), destaque para Pezou= las et al. (2022) que combinaram redes bayesianas dinâmicas com SHAP para prever mortalidade em pacientes com COVID-19, destacando citocinas inflamatórias (IL-6, IL-8 e TNF) como preditores críticos. Essa abordagem multimodal ofer= eceu percepções valiosas sobre a dinâmica biológica e clínica.=

García-Gallo et al. (2020) e Yu et al. (2024) utilizaram o SGB e o = LightGBM, respectivamente, para pacientes com sepse. Ambos os estudos reportaram alta acurácia (AUC acima de 0,80), com variáveis como idade, níveis de bilirrubi= na e lactato desempenhando papéis centrais. Essa abordagem superou métodos tradicionais como SAPS II e SOFA, evidenciando a superioridade dos modelos = de ML na análise preditiva, sendo no estudo de García-Gal= lo et al. (2020) capaz de prever a mortalidade em 1 ano, usando dados das prim= eiras 24 horas após a admissão na UTI. Nessa linha de raciocínio, Zhou et al. (20= 24) empregaram XGBoost para mortalidade associada a= coagulopatia por sepse, destacando explicações interpretáveis com SHAP, o que fortalece a integração clínica.

Ademais, Pang et al. (2022) e Nistal-Nuño= (2022) também utilizaram o XGBoost, que obteve = um AUROC superior a 0,91, ultrapassando algoritmos como SVM e Árvore de Decisã= o, além de SOFA e SAPS. Em ambos os estudos, a aplicação do SHAP para interpre= tar as previsões elevou a confiança nos resultados, destacando variáveis importantes, como a Escala de Coma de Glasgow (GCS) e a administração de vasopressores.

Essa abordagem práti= ca também foi reforçada por Pattharanitima et al. (2021), cujo modelo de Árvore de decisão, com AUROC de 0,83, foi implementa= do para prever mortalidade em pacientes com acidose láctica, superando o SAPS = II.

Kim et al. (2021) mostraram que o XGBoost é eficaz na previsão de mortalidade em 30 dias para pacientes sob ventilação mecânica, com AUC de 0= ,79, destacando variáveis como o escore APACHE II e o Índice de Comorbidade de <= span class=3DSpellE>Charlson.

Os estudos de Chiu e= t al. (2022) e Kang et al. (2022) exploraram populações mais amplas, como pacient= es com insuficiência cardíaca e UTIs multicêntricas. O St= acking Ensemble Model obteve AUC de 0,82 para predições de curto prazo, tendo prec= isão geral de 95,25% na previsão de mortalidade em 3 dias, enquanto o LSTM com dois níveis de atenção AUC de 0= .855 na validação externa, proporcionando alta precisão e i= nterpretabilidade, indicando que o uso de dados longitudinais pode melhorar a precisão.

Pacientes com condiç= ões específicas, como câncer colorretal (GUO et al., 2023) e lesão cerebral traumática (TU et al., 2023), beneficiaram-se de abordagens personalizadas, como LightGBM e aprendizado por agrupamento, que integraram dados clínicos e marcadores específicos. O conjunto combinando Random Forest, LightGBM e = XGBoost, superou modelos individuais, com = AUC de 0.86 no treinamento e 0.73 na validação externa, fornecendo suporte a decis= ões clínicas críticas, com maior confiabilidade. O LightGB= M teve desempenho significativamente superior ao APACHE II (AUC =3D 0,872) e = SOFA (AUC =3D 0,853).

Aldraimli et al. (2022), sob = este ponto de vista, utilizaram a árvore de decisão em conjunto com esta técnica para tratar o desequilíbrio de dados, obtendo uma AUROC de 0,94. Este estudo demonstrou a importância da preparação adequada dos dados para maximizar o = desempenho do modelo, particularmente em populações onde as classes são altamente desproporcionais.

Modelos baseados em = redes neurais também ganharam destaque. George et al. (2021) utilizaram Deep Neural Networks (DNN) para prever mortalidade em paciente com uso de ventilação mecânica prolongada, superando significativamente o ProVent Score (AUC 0,76 X = AUC 0,63, respectivamente), principalmente para mortalidade em 12 meses. Na Pattalung et al. (2021) demonstraram o desempenho rob= usto de GRU (AUC > 0,80) ao analisar séries temporais, reforçando o papel de redes otimizadas em cenários críticos.

A questão do desbalanceamento de dados, frequentemente observada em populações de UTI (o= nde a quantidade de sobreviventes é superior à de óbitos), foi tratada de manei= ras variadas. Ahmad et al. (2021) e Aldraimli et al. (2022) utilizaram o SMOTE como estratégia para aumentar a representação da classe menos favorecida (mortalidade), resultando em uma melhoria significa= tiva na sensibilidade dos modelos. Em contrapartida, estudos como o de García-Gallo et al. (2020) não incluíram técnicas de balanceamento, indicando que a falta desse tipo de pré-processamento pode restringir a habilidade de identificar com precisão pacientes em alto risco. Essa divergência ressalta a importância de métodos de balanceamento para otimizar a eficácia das previsões.

No que diz respeito à generalização dos modelos, Chen et al. (2022) enfatizam a relevância da validação externa em bancos de dados como MIMIC-IV e e= ICU-CRD, reforçando as conclusões de Guo et al. (2023) e= Pezoulas et al. (2022), que asseguram a robustez e a aplicabilidade clínica desses modelos. Pesquisas que se restringem a uma ún= ica base de dados podem apresentar limitações em termos de aplicabilidade práti= ca, especialmente em populações variadas ou em contextos regionais diferentes. =

Ye et al. (2023) utilizaram o eICU-CRD na validação de seus mode= los. Essa abordagem promoveu uma maior generalização dos resultados, ampliando a relevância clínica. A variedade de populações e condições clínicas analisad= as, incluindo ventilação mecânica prolongada, acidose láctica e insuficiência cardíaca, evidenciou a adaptabilidade dos algoritmos em distintos cenários = de UTI.

Os principais result= ados obtidos pelos modelos indicam um impacto considerável na prática clínica. A habilidade de prever a mortalidade em curto e longo prazo (Barchitta et al., 2021; Hu et al., 2024) pode auxiliar na tomada de decisões sobre a alocação de recursos, priorização de cuidados e na realização de intervençõ= es precoces. Ferramentas online, como a desenvolvida por Chen et al. (2023), mostram de que maneira o aprendizado de máquina pode ser incorporado aos processos hospitalares, no caso para pacientes diabéticos.

Essa integração prát= ica contrasta com estudos puramente exploratórios, como o de Sakagianni et al. (2023), sugerindo que a translação do modelo para a prática clínica = deve ser um objetivo prioritário nos próximos anos.

Apesar dos avanços, persistem desafios como a necessidade de maior padronização entre os estudo= s e maior adoção de validações multicêntricas. Além disso, a inclusão de variáv= eis dinâmicas e temporais, como demonstrado por Danay et al. (2024), deve ser priorizada para capturar a evolução clínica dos pacien= tes.

5 CONSIDERAÇÕES FINAIS

Os modelos de ML demonstram potencial revolucionário na previsão de mortalidade, incluindo os cenários da UTI, fornecendo precisão superior e insights interpretáveis. A junção de biomarcadores e dados clínicos relevantes possibilitam a personalização do cuidado, eficácia e decisões baseadas em evidências palpáveis. Esses modelos apresentaram melhores resultados superando sistemas tradicionais como SAPS II e SOFA.

Destaque para XGBoost, LightGBM e RNN, = sendo excelentes na integração de variáveis clínicas e temporais, permitindo anál= ises mais precisas. SHAP e LIME foram usadas com maestria como ferramenta explicativa, facilitando a aceitação clínica. Outro sim, algoritmos dinâmic= os como ATCN, rede neural baseado na atenção particularmente eficaz em séries históricas identificando mudanças fisiológicas importantes.

Apesar do progresso, desafios como a necessidade como padronização metodológica, processo de validações externas multicêntricas e o desequilíbrio de dados ainda limitam= a aplicação universal dos modelos. A inclusão de variáveis críticas, como ida= de, escore SOFA, lactato e creatinina, reforça a importância dessas abordagens, enquanto modelos eficientes, como o LightGBM, garantem aplicabilidade prática. No geral, a integração do ML nos sistemas hospitalares tem o potencial de transformar os cuidados críticos, fornecendo previsões rápidas, precisas e personalizadas, promovendo intervenções mais precoces e melhores resultados para pacientes gravemente enfermos.

=

REFERÊNCIAS

AHMAD, Fawad; AYUB, Huma; LIAQAT= , Rehan; KHAN, Akhyar Ali; = NAWAZ, Ali; YOUNIS, Babar. Mortality Prediction in ICU Patients Using Machine Learning Models. In: INTERNATIONAL BHURBAN CONFERENCE ON APPLIED SCIENCES AND TECHNOLOGIES (IBCAST), 2021, Islamabad, Pakistan. Anais... Islamabad: IEEE, 2021. p. 372-376. DOI: 10.1109/IBCAST51254.2021.9393012.

ALDRAIMLI, Mahmoud; NAZYROVA= , Nodira; DJUMANOV, Abdumalik; SOBIROV, Ikboljon; CHAUSSALET, Thierry. A Comparative Machine Learning Modelling Approach for Patients’ Mortality Prediction in Hospital Intensive Care Unit. BioInfoMed 2020, v.374, n.1, p.15-31, 2= 022.

AROMATARIS, Edoardo; LOCKWOO= D, Craig; PORRITT, Kylie; PILLA, Bianca; JORDAN, Zoe (eds.). JBI Man= ual for Evidence Synthesis. JBI, 2024. Disponível em: https://synthesismanual.jbi.global. DOI: 10.46658/JBIMES-24-01.

BACKES, Marli Terezinha Stein; ERDMANN, Alacoque Lorenz= ini; BÜSCHER, Andreas. O ambiente vivo, dinâmico e complexo de cuidados em Unida= de de Terapia Intensiva. Revista Latino-Americana de Enfermagem, v. 23,= n. 3, p. 411-418, 2015.

BARCHITTA, Martina; MAUGERI, Andrea; FAVARA, Giuliana; RIELA, Paolo Marco; GALLO, Giovanni; MURA, Ida; AGODI, Antonella. Early Prediction of Seven-Day Mortality in Intensive Care Unit Using= a Machine Learning Model: Results from the SPIN-UTI Project. Journal of Clinical Medicine, v. 10, n. 5, p. 992, 2021.

CHEN, Yu-wen; LI, Yu-jie; DENG, Peng; YANG, Zhi-yong<= /span>; ZHONG, Kun-hua; ZHANG, Li-= ge; CHEN, Yang; ZHI, Hong-yu; HU, Xiao-yan; GU, Jian-teng; NING,= Jiao-lin; LU, Kai-zhi; ZHANG, = Ju; XIA, Zheng-yuan; QIN, Xiao-lin; YI, Bin. Learning to predict in-hospital mortality risk in the intensive care unit with attention-based temporal convolution network. BMC Anesthesiology, v.= 22, n. 1, p. 119, 2022.

CHEN, Zijun; LI, Tingming; GUO, Sheng; ZENG, Deli; WANG, Kai. Machine learning-based in-hospital morta= lity risk prediction tool for intensive care unit patients with heart failure. <= b>Frontiers in Cardiovascular Medicine, v. 10, p. 1119699, 2023.<= /p>

CHIU, Chih-Chou; WU, Chung-M= in; CHIEN, Te-Nien; KAO, Ling-Jing; LI, Chengcheng; JIANG, Han-Ling. Applying an Improved Sta= cking Ensemble Model to Predict the Mortality of ICU Patients with Heart Failure.= Journal of Clinical Medicine, v. 11, n. 21, p. 6460, 2022.

DANAY, Lihi; RAMON-GONEN, Ro= ni; GORODETSKI, Maria; SCHWARTZ, David G. Evaluating the effectiveness of a sli= ding window technique in machine learning models for mortality prediction in ICU cardiac arrest patients. International Journal of Medical Informatics, v. 191, p. 105565, 2024.

DEO, Rahul C. Machine Learni= ng in Medicine. Circulation. v.132, n.2= 0, p.192030, 2015.

FARIAS, Josivania Silva; GUIMARÃES, Tomás de Aquino; VARGAS, Eduardo Raupp de; ALBUQUERQUE, Pedro Henrique Melo. Adoção de prontuário eletrônico do paciente em hospitais universitários de Brasil e Espanha: a percepção de profissionais de saúde. Revista de Administração Pública, v.= 45, n. 5, p. 1303-1326, 2011.

GARCÍA-GALLO, Juan E.; FONSE= CA-RUIZ, Nelson J.; CELI, Leo A.; DUITAMA-MUÑOZ, Juan F. A machine learning-based mo= del for 1-year mortality prediction in patients admitted to an Intensive Care U= nit with a diagnosis of sepsis. Medicina Intensiva, v. 44, n. 3, p. 160-170, 2020.

GEORGE, Naomi; MOSELEY, Edwa= rd; EBER, Rene; SIU, Jennifer; SAMUEL, Mathew; YAM, Jonathan; HUANG, Kexin; CEL= I, Leo Anthony; LINDVALL, Charlotta. Deep learning to predict long-term mortal= ity in patients requiring 7 days of mechanical ventilation. PLOS ONE, v. 16, n. 6, p. e0253443, 2021.=

GUO, Chunxia<= /span>; PAN, Jun; TIAN, Shan; GAO, Yuanjun. Using machine learning algor= ithms to predict 28-day mortality in critically ill elderly patients with colorectal cancer. Journal of International Medical Research, v. 51, n. 11, p. 03000605231198725, 2023.

HOSMER, David W. Jr.; LEMESH= OW, Stanley; STURDIVANT, Rodney X. Applied Logistic Regression. 3. ed. Hoboken: John Wiley & Sons, Inc., 2013.

HU, Tung-Lai; CHAO, Chuang-M= in; WU, Chien-Chih; CHIEN, Te-Nien; LI, Chengcheng. Machine Learning-Based Predictions of Mortality and Readmission in Type 2 Diabetes Patients in the ICU. Applied Sciences, v. 14, n. 18, p. 844= 3, 2024.

JORDAN, Michael I.; MITCHELL= , Tom M. Machine Learning: Trends, Perspectives, and Prospects. Science, v. 3= 49, n. 6245, p. 255-260, 2015.

KANG, Yanni; JIA, Xiaoyu; WA= NG, Kaifei; HU, Yiying; GUO, = Jianying; CONG, Lin; LI, Xiang; XIE, Guotong. A Clinically Practical and Interpretable Deep Model for ICU Mortality Prediction with External Validation. AMIA Annual Symposium Proceedings, v. 2020, p. 629-637, 2021.

KIM, Jong Ho; KWON, Young Su= k; BAEK, Moon Seong. Machine Learning Models to Predict 30-Day Mortality in Mechanic= ally Ventilated Patients. Journal of Clinical Medicine, v. 10, n. 10, p. 2172, 2021.

MUELLERA.C.; GUIDO, S. Intro= duction to Machine Learning with Python: A guide for data scien= tist. [S.l.]: O’Reilly Media, 2016.=

MÜLLER, Andreas C.; GUIDO, S= arah. Introduction to Machine Learning with Python: A Guide for Data Scientists. [S.l.]: O’Reilly Media, 2016.

NA PATTALUNG, Thanakron; INGVIYA, Thammasin; CHAICHULEE, Sitthichok. Feature Explanations in Recurrent Neural Networks for Predicting Risk of Mortality in Intensive Care Patients. Journal of Personalized Medicine, v. 11, n. 9, p. 934, 2021.

NISTAL-NUÑO, Beatriz. Develo= ping machine learning models for prediction of mortality in the medical intensive care unit. Computer Methods and Programs in Biomedicine, v. 216, p. 106663, 2022.

NUMAIR, Tarek; HARRELL, Dani= el Toshio; HUY, Nguyen Tien; NISHIMOTO, Futoshi; MUTHIANI, Yvonne; NZOU, Samson Muuo; LASAPHONH, Angkhana; PALAMA, Khomsonerasinh; PONGVONGSA, Tiengkham; MOJI, Kazuhiko; HIRAYAMA, Kenji; KANEKO, Satoshi. Barriers to the Digitization of Health Information:= A Qualitative and Quantitative Study in Kenya and Lao PDR Using a Cloud-Based Maternal and Child Registration System. International Journal of Environmental Research and Public Health, v. 18, n. 12, p. 6196, 2021.<= o:p>

PANG, Ke; LI, Liang; OUYANG,= Wen; LIU, Xing; TANG, Yongzhong. Establishment of ICU Mortality Risk Prediction Models with Machine Learning Algorithm Using MIMI= C-IV Database. Diagnostics, v. 12, n. 5, p. 1068, 24 abr. 2022.

PATTHARANITIMA, Pattharawin; THONGPRAYOON, Charat; KAWEPUT, Wisit; QURESHI, Fawad; QURESHI, Fahad; PETNA= K, Tananchai; SRIVALI, Narat; GEMBILLO, Guido; O'CORRAGA= IN, Oisín A.; CHESDACHAI, Supavit; VALLABHAJOSYULA,= Saraschandra; GURU, Pramod K.; MAO, Michael A.; GAROV= IC, Vesna D.; DILLON, John J.; CHEUNGPASITPORN, Wisit. Machine Learning Predict= ion Models for Mortality in Intensive Care Unit Patients with Lactic Acidosis. = Journal of Clinical Medicine, v. 10, n.= 21, p. 5021, 2021.

PESSOA, Stela Mares Brasileiro; OLIVEIRA, Bianca Silva de Sousa; SANTOS, Wendy Gomes dos; OLIVEIRA, Augusto Novais Macedo; CAMARGO, Marianne Silveira; MATOS, Douglas Leandro Aparecido Barbosa de; SILVA, Miquéias Martins Lima; MEDEIRO= S, Carolina Cintra de Queiroz; COELHO, Cláudia Soares de Sousa; ANDRADE NETO, = José de Souza; MISTRO, Sóstenes. Predição de choque séptico e hipovolêmico em pacientes de unidade de terapia intensiva com o uso de machine learning. Revista Brasileira de Terapia Intensiva, v. 34, n. 4, p. 477-483, 2022.

PEZOULAS, Vasileios C.; TSIORIS, Konstantinos; ZERVAKIS, = Michalis; KONITSIOTIS, Spyridon<= /span>; FOTIADIS, Dimitrios I. A Multimodal Approach for the Risk Prediction of Intensi= ve Care and Mortality in Patients with COVID-19. Diagnostics (Basel), v. 12, n. 1, p. 1-28, 2021.

POLO, Tatiana Cristina Figueira; MIOT, Hélio Amante. Aplicações da curva ROC em estudos clínicos e experimentais. Jornal Vascular Brasileiro, v. 19,= p. e20200186, 2020.

SAKAGIANNI, Aikaterini; KOUFOPOULOU, Christina; VERYKIOS, <= span class=3DSpellE>Vassilios; LOUPELIS, Evangelos; KALLES, Dimitrios; FERETZAKIS, Georgios. Prediction of COVID-19 Mortality in the Intensive Care Unit Using Machine Learning. In: Studies in Health Technology and Informatics. [S.l= .]: IOS Press, 2023. p. 536-540.

TRICCO, Andrea C.; LILLIE, E= rin; ZARIN, Wasifa; O'BRIEN, Kelly K.; COLQUHOUN, Heather; LEVAC, Danielle; MOHE= R, David; PETERS, Micah D. J.; HORSLEY, Tanya; WEEKS, Laura; HEMPEL, Susanne; ATKINS, Dianne; AMENTA, William; MUNIYANDI, Muthu; NGUYEN, Phuong; SIVARAMA= N, Meenakshi; STRAUS, Sharon E. PRISMA extension for scoping reviews (PRISMA-<= span class=3DSpellE>ScR): checklist and explanation. Annals of Internal Medicine, v. 169, n. 7, p. 467-473, 2018.

TU, Kuan-Chi; TAU, Eric Nyam= Tee; CHEN, Nai-Ching; CHANG, Ming-Chuan; YU, Tzu-Chieh; WANG, Che-Chuan; LIU, Chung-Feng; KUO, Ching-Lung. Machine Learning Algorithm Predicts Mortality = Risk in Intensive Care Unit for Patients with Traumatic Brain Injury. Diagnos= tics, v. 13, n. 18, p. 3016, 2023.

YE, Zix= iang; AN, Shuoyan; GAO, Yanxiang= ; XIE, Enmin; ZHAO, Xuecheng= ; GUO, Ziyu; LI, Yike; SHEN, Nan; REN, Jingyi; ZHENG, Ji= ngang. The prediction of in-hospital mortality in chronic kidney disease patients = with coronary artery disease using machine learning models. European Journal = of Medical Research, v. 28, n. 1, p. 33, 2023.

YU, Zhi= jiang; LI, Hexin; PISHGAR, Maryam; ASHRAFI, Negin; ALA= EI, Kiarash. Prediction of 30-day mortality for ICU patients with Sepsis-3. = BMC Medical Informatics and Decision Making, v. 24, n. 1, p. 223, 2024.

ZHAI, Y= ihai; LAN, Danxiu; LV, Siying; MO, Liqin. Interpretability-based machine learning for predicting the risk = of death from pulmonary inflammation in Chinese intensive care unit patients. = Frontiers in Medicine, v. 11, p. 1399527, 2024.

ZHOU, Shu; LU, Zongqing; LIU, Yu; WANG, Minjie; ZHOU, Wuming; CUI, Xuanxuan; ZHANG, Jin; XIAO, Wenyan; HUA, <= span class=3DSpellE>Tianfeng; ZHU, Huaqing; Y= ANG, Min. Interpretable machine learning model for early prediction of 28-day mortality in ICU patients with sepsis-induced coagulopathy: development and validation. European Journal of Medical Research, v. 29, n. 1, p. 14, 2024.

TU et al.= 2023	2.260	Hospital Chi Mei Medical Center, Taiwa= n=	Estudo retrospectivo comparando modelos de ML.=	Random Forest e LightGBM=
				(conclusão)
= Autor= = Ano	n	Base de Dados Médica ou Local= do estudo	= Desenho do Estudo<= span style=3D'font-size:8.0pt;font-family:"Myriad Pro",sans-serif;mso-fareast-= font-family: Aptos'>	Algoritmos de destaque=
YE et al.= 2023	5.247	MIMIC-IV eICU	Estudo retrospectivo com aplicação de técnicas de aprendizado de máquina.	GBDT
YU et al.= 2024	9.118	MIMIC-III	Estudo retrospectivo com aplicação de técnicas de aprendizado de máquina.	LightGBM
ZHAI et al. 2024	1.668	ICU Open Source (China)=	Estudo retrospectivo.	GBDT
ZHOU et al. 2024	3.280	MIMIC-III, MIMIC-IV e eICU=	Coorte retrospectiva com validação cruzada.=	XGBoost

Bases de dados	Operadores booleanos	Estratégias de busca
Web of Science= =	AND/OR	(("Artificial Intelligence" OR "Machine Learning")) AND (("Intensive Care Unit" OR "Hospitalization")) AND (("Prediction&q= uot; OR " Mass Screening."))<= /o:p>
PUBMED	AND/OR	("Artificial = Intelligence”OR "Ma= chine Learning") AND ("Intensi= ve Care Units" OR "Hospitalization") AND ("Prediction" OR " Mass Screening.") ("Artificial = Intelligence"OR "Machine Learning") = AND ("Intensive Care Units" OR "Hospitalization") AND ("Prediction" OR " Mass Screening.") AND ("Mortality")=
Scielo	AND/OR	("Inteligência artificial" OR "Aprendizagem de máquina") AND ("Unidade de Terapia Intensiva" OR "Hospitalização") AND ("Predição" OR " Programas= de Rastreamento ")
LILACS	AND/OR	("Inteligência Artificial" OR "Aprendizado de Máquina") AND ("Unidade de Terapia Intensiva" OR "Hospitalização") AND ("Predição" OR " Mass Screening ")

IS= SN 2237-4558 •<= /span> Navus • Florianópolis • SC • v. 13 • p. 01-7 • jan./dez. 2023	7