Aprendizagem de máquina na previsão de índices de mortalidade em Unidades de Terapia Intensiva: uma revisão integrativa da literatura
DOI:
https://doi.org/10.22279/navus.v16.2091Resumo
A Unidade de Terapia Intensiva é um ambiente complexo, destinado ao cuidado de pacientes críticos que necessitam de monitoramento constante e intervenções intensivas. A informatização dos prontuários médicos trouxe avanços significativos na gestão 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 de 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.
Downloads
Publicado
Edição
Seção
Licença
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
Este trabalho está licenciado sob uma licença 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.
