Machine Learning In Predicting Mortality Rates In Intensive Care Units: An Integrative Review Of The Literature
DOI:
https://doi.org/10.22279/navus.v16.2091Abstract
Background: 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 significant advances in information management, enabling large-scale data analysis. In this scenario, machine learning (ML) has emerged as a revolutionary tool for mortality prediction. Methodology: An integrative review was conducted, covering studies published between 2020 and 2024 in the following databases: Web of Science, LILACS, SciELO, and PubMed. A total of 2,627 studies were analyzed, of which 24 were included. The research focused on the application of ML for mortality prediction. Results: In total, the studies used data from 525,081 patients from databases such as MIMIC-III, MIMIC-IV, and eICU. The most prominent algorithms were XGBoost, LightGBM, 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. Final considerations: ML models have demonstrated the validated ability to transform the management of critically ill patients by providing personalized analyses and more accurate predictions.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Enathanael Ribeiro Soares, Maria Angélica Farias Grangeiro, Ana Heloísa dos Santos, Joel Freires de Alencar Arrais, Glêbia Alexa Cardoso, Estelita Lima Cândido
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O conteúdo da revista é de acesso público e gratuito, podendo ser compartilhado de acordo com os termos da Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil. Você tem a liberdade de compartilhar — copiar, distribuir e transmitir a obra, sob as seguintes condições:
a) Atribuição — a atribuição deve ser feita quando alguém compartilhar um de seus artigos e deve sempre citar o nome da revista e o endereço do conteúdo compartilhado.
b) Uso não-comercial — você não pode usar esta obra para fins comerciais.
c) Vedada à criação de obras derivadas — você não pode alterar, transformar ou criar em cima desta obra.
Ficando claro que:
Renúncia — qualquer das condições acima pode ser renunciada se você obtiver permissão do titular dos direitos autorais. Domínio Público — onde a obra ou qualquer de seus elementos estiver em domínio público sob o direito aplicável, esta condição não é, de maneira alguma, afetada pela licença.
Outros Direitos — os seguintes direitos não são, de maneira alguma, afetados pela licença:
- Limitações e exceções aos direitos autorais ou quaisquer usos livres aplicáveis;
- os direitos morais do autor;
- direitos que outras pessoas podem ter sobre a obra ou sobre a utilização da obra, tais como direitos de imagem ou privacidade.
Aviso — para qualquer reutilização ou distribuição, você deve deixar claro a terceiros os termos da licença a que se encontra submetida esta obra.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
Os trabalhos publicados passam a ser propriedade da revista Navus: Revista de Gestão e Tecnologia que deve ser consignada a fonte de publicação original. Os originais não serão devolvidos aos autores.
As opiniões emitidas pelos autores nos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada sob uma Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil.
