Modelo de máquina inovador prevê parada cardíaca em pacientes de UTI com alta precisão

Em um estudo inovador publicado na Npj Digital Medicine, os pesquisadores revelaram um novo modelo de aprendizado de máquina (ML) que demonstra precisão excepcional em prever parada cardíaca em pacientes da unidade de terapia intensiva (UTI) usando dados de eletrocardiograma (ECG).

Desvendando a necessidade de modelos preditivos aprimorados

Apesar dos avanços na medicina de cuidados críticos, a incidência de paradas cardíacas inesperadas e súbitas permanece um desafio para os pacientes admitidos em UTIs. As diversas razões por trás da parada cardíaca hospitalar exigem o desenvolvimento de modelos de previsão precisos para detecção em tempo real, permitindo intervenções rápidas e que salvam vidas, como reanimação cardiopulmonar (RCP) e desfibrilação precoce.

Enquanto os modelos anteriores dependiam de características clínicas de registros médicos eletrônicos (EMRs), as limitações na coleta de várias variáveis de EMR levaram a uma mudança para algoritmos de ML baseados em dados de ECG. Modelos de previsão baseados em eletrocardiograma garantem monitoramento constante e em tempo real, oferecendo um potencial avanço nas previsões de parada cardíaca hospitalar.

A equipe de pesquisa construiu meticulosamente um conjunto de dados estruturado de ECG a partir de 5.679 estadias em UTI envolvendo 4.821 pacientes. Usando sinais de eletrocardiograma, eles calcularam um conjunto abrangente de 74 medidas de variabilidade da frequência cardíaca (HRV), incluindo medidas de domínio do tempo, domínio da frequência e não lineares. O algoritmo BorutaShap selecionou 33 dessas medidas como recursos de entrada para o modelo de previsão.

Empregando um algoritmo de máquina de boosting de gradiente leve (LGBM), os pesquisadores otimizaram os hiperparâmetros do modelo usando otimização bayesiana. O desfecho primário foi a ocorrência de parada cardíaca dentro de 0,5–24 horas, com desfechos secundários considerados em vários intervalos de tempo.

Resultados impressionantes e análise comparativa

O modelo de ML alcançou uma área excepcionalmente alta sob a curva operacional do receptor (AUROC) de 0,881 e uma área sob a curva de precisão-recuperação (AUPRC) de 0,104 para o desfecho primário. O desempenho de discriminação do modelo permaneceu robusto em todos os desfechos secundários, demonstrando sua confiabilidade na previsão de parada cardíaca em pacientes de UTI.

Ao comparar o modelo de ML com um modelo baseado em parâmetros clínicos, que utilizava 43 características derivadas de sinais vitais, revelou-se um AUROC significativamente maior (0,881 vs. 0,735, p < 0,001) para o modelo do estudo que utilizava medidas de VFC. Isso destaca a superioridade do modelo de ML baseado em ECG na previsão de parada cardíaca súbita.

Revelando medidas-chave de VFC e implicações futuras

A análise de importância das características identificou as seis principais medidas, incluindo o percentil 20 dos intervalos RR (Prc20NN), a interpolação triangular do histograma dos intervalos RR (TINN) e a amplitude interquartil dos intervalos RR (IQRNN). Essas medidas apresentaram mudanças dinâmicas aproximadamente seis horas antes de uma parada cardíaca súbita, oferecendo insights valiosos para a avaliação em tempo real da condição cardíaca do paciente.

Os resultados do estudo sugerem que valores mais altos de IALS (segmentos de aceleração/desaceleração) podem estar associados a condições cardíacas comprometidas, enfatizando o potencial do modelo de ML em identificar pacientes em risco de parada cardíaca súbita.

Um dos pontos fortes significativos deste estudo é a alta acessibilidade e transferibilidade do modelo para diversos ambientes de saúde. O monitoramento contínuo de ECG, uma prática padrão em unidades de terapia intensiva (UTI), torna a aplicação deste modelo preditivo direta na prática clínica.

Embora o estudo forneça insights cruciais em tempo real, os pesquisadores reconhecem a necessidade de mais investigações para estabelecer causalidade entre as medidas de VFC e a parada cardíaca.