Modelos de machine learning possibilitam prognóstico dinâmico de pacientes com traumatismo cranioencefálico

O traumatismo cranioencefálico é uma causa significativa de mortalidade e morbidade ao redor do mundo. Os traumatismos mais graves são tratados em Unidades de Terapia Intensiva (UTIs), mas mesmo com o cuidado de excelência prestado nessas sessões, um em cada três pacientes perece. Os pacientes que adentram UTIs costumam estar inconscientes, o que dificulta o monitoramento de suas condições. Muitas variáveis são monitoradas, mas como uma única dessas variáveis pode fornecer uma infinitude de dados, eles são geralmente subaproveitados pelos profissionais de saúde.

Para fornecer mais informações úteis ao corpo médico, capazes de orientar suas decisões, um consórcio formado pelo Hospital da Universidade de Helsinki, o Hospital da Universidade de Kuopio, e o Hospital da Universidade de Turku, na Finlândia, desenvolveu um algoritmo de machine learning que usa os dados monitorados pelos aparelhos para fornecer um quadro do estado clínico do paciente através da predição de seu progresso durante o tratamento. É a primeira vez que um modelo prognóstico dinâmico como esse foi apresentado. Atualmente, ele alcança uma área sobre a curva (AUC) de até 0,84 quando avaliado na predição de morte dentro dos próximos 30 dias. O trabalho envolveu o teste de dois modelos de regressão logística. O primeiro, mais simples, é baseado apenas em três medidas objetivas obtidas dos aparelhos: a pressão intracraniana, a pressão arterial e a pressão de perfusão cerebral. O segundo, mais complexo, inclui dados de nível de consciência, medidos pela escala de coma Glasgow, que é amplamente utilizada em casos como esse. Os resultados são considerados animadores já que os modelos usam poucas variáveis para fazer as predições.

O estudo é apresentado como uma prova de conceito para o uso de big data de baixa frequência, mas já demonstra a direção para a qual o tratamento intensivo moderno está caminhando. Para ganhar mais robustez, o modelo deve agora ser validado em datasets externos oriundos de outros hospitais ao redor do mundo. O trabalho foi publicado em novembro e os cientistas envolvidos estão disponibilizando os modelos para que sejam aperfeiçoados pela comunidade.

Seja o primeiro a comentar

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *