Aplicações de aprendizado de máquina no tratamento da sepse neonatal: uma revisão de escopo

Aplicações de Machine Learning no tratamento da sepse neonatal Sobre o artigo A sepse neonatal é uma causa importante de morbimortalidade global, especialmente em países de baixa e média renda (LMICs). Sua identificação precoce é dificultada pela inespecificidade dos sinais clínicos e a progressão rápida para falência multissistêmica. Além disso, a resistência antimicrobiana é uma preocupação crescente: mais de 70% das infecções neonatais na corrente sanguínea são resistentes aos antibióticos de primeira linha preconizados pela OMS (ampicilina e gentamicina). O aprendizado de máquina (ML) tem se mostrado promissor como ferramenta de suporte à decisão clínica em adultos, e seu potencial na população neonatal tem sido explorado de forma crescente. Métodos utilizados Foi realizada uma revisão de escopo nas bases PubMed, Embase e Scopus, até 26 de novembro de 2022, com termos relacionados a sepse neonatal, antibióticos e aprendizado de máquina. Foram incluídos estudos em inglês que aplicaram ML para diagnóstico, predição de resistência antimicrobiana ou auxílio ao tratamento da sepse neonatal. Foram excluídos estudos em animais, revisões, cartas e resumos de conferências. Três revisores realizaram a triagem e extração dos dados de forma independente. Resultados Dos 88 artigos identificados, 18 preencheram os critérios de inclusão. Os estudos incluídos tiveram as seguintes características: Modelos de ML aplicados: Random Forest, Redes Neurais, Regressão Logística, SVM, Decision Tree, XGBoost, entre outros.  Tarefas abordadas:  Predição de sepse neonatal (maioria dos estudos)  Predição de mortalidade hospitalar  Predição de falha terapêutica e resistência antimicrobiana  Variáveis mais relevantes:  Diagnóstico de sepse: idade gestacional, proteína C reativa, contagem de leucócitos e plaquetas, frequência cardíaca e respiratória, alterações de cor da pele.  Resistência antimicrobiana: idade, peso, tempo entre internação e coleta, glicemia, infecção hospitalar, número de pessoas na residência.  Mortalidade: necessidade de ventilação, condições alimentares e expansão de volume intravascular.  Desempenho dos modelos:  AUC variou de 71% a 92,3%, com sensitividade entre 38% e 98,6%.  Random Forest e Redes Neurais foram os modelos com melhor desempenho geral.  Discussão Apesar do grande potencial do ML, a maioria dos estudos concentrou-se no diagnóstico da sepse, e poucos abordaram a recomendação de antibióticos baseada em resistência antimicrobiana. As principais limitações incluíram bases de dados pequenas, coleta de dados em centros únicos e falta de transparência quanto ao tratamento de dados ausentes. Estudos multicêntricos e com validação externa ainda são necessários. Além disso, dados clínicos e laboratoriais combinados, especialmente aqueles relacionados a antibiogramas, são essenciais para construir modelos robustos. Conclusão O aprendizado de máquina apresenta potencial promissor para apoiar o diagnóstico e tratamento da sepse neonatal, mas ainda são escassos os estudos voltados à personalização do uso de antibióticos. São necessárias iniciativas internacionais para padronizar a coleta de dados clínicos estruturados, viabilizando a aplicação ampla de modelos preditivos e contribuindo para o uso racional de antimicrobianos. Insights clínicos (em formato de perguntas e respostas) Quais são os principais preditores de sepse neonatal identificados por modelos de aprendizado de máquina? Idade gestacional, proteína C reativa, contagem de leucócitos, plaquetas, alterações de cor da pele e parâmetros respiratórios.  Como o aprendizado de máquina pode contribuir para a escolha de antibióticos em neonatos?Pode prever padrões de resistência antimicrobiana com base em dados clínicos e laboratoriais, auxiliando na prescrição empírica mais assertiva.  Quais modelos de ML mostraram melhor desempenho para diagnóstico e predição de resistência? Random Forest e Redes Neurais apresentaram os melhores desempenhos tanto para diagnóstico quanto para resistência antibiótica.  Qual a principal limitação atual para uso clínico de ML na sepse neonatal? A falta de grandes bases de dados multicêntricas e a ausência de validação externa dos modelos desenvolvidos.  Como as variáveis sociais podem influenciar a predição de resistência antimicrobiana? Estudos mostraram que residências com mais de 8 pessoas estiveram associadas a maior risco de resistência, indicando que dados sociodemográficos devem ser considerados.  Para ver mais conteúdos como este, acesse: NeoPed Hub