Predição precoce da necessidade de intervenção cirúrgica na enterocolite necrosante (ECN) utilizando aprendizado de máquina (Machine Learning) Sobre o artigo  A enterocolite necrosante (ECN) permanece uma das principais emergências gastrointestinais da neonatologia, especialmente em recém-nascidos de muito baixo peso. A evolução clínica é frequentemente imprevisível, tornando difícil identificar precocemente quais pacientes necessitarão de intervenção cirúrgica. Os métodos convencionais, baseados em avaliação clínica e exames de imagem, apresentam limitações na capacidade preditiva. O estudo propõe o desenvolvimento de um modelo de Machine Learning capaz de utilizar dados clínicos e laboratoriais coletados nas primeiras 48 horas após o diagnóstico para predizer precocemente a necessidade de cirurgia, oferecendo suporte adicional à tomada de decisão clínica. Métodos utilizados Foi realizado um estudo retrospectivo envolvendo 298 neonatos com ECN estágio II ou superior (classificação de Bell), internados entre 2015 e 2023. Foram analisadas 32 variáveis clínicas e laboratoriais, incluindo: Idade gestacional e peso ao nascer. Frequência cardíaca, frequência respiratória e saturação de oxigênio. Contagem de plaquetas, proteína C reativa (PCR), lactato sérico, leucócitos, pH e déficit de base. Distensão abdominal, intolerância alimentar, apneia e letargia. Os dados passaram por imputação de valores ausentes utilizando KNN (k=5), normalização das variáveis contínuas, codificação das variáveis categóricas e divisão estratificada em conjuntos de treinamento (80%) e teste (20%). Foram comparados quatro algoritmos de aprendizado de máquina: Regressão Logística Random Forest XGBoost Support Vector Machine (SVM) Os modelos foram avaliados por AUC-ROC, sensibilidade, especificidade, acurácia e F1-score. A interpretabilidade foi realizada utilizando SHAP (SHapley Additive Explanations). Resultados Dos 298 recém-nascidos avaliados, 102 (34,2%) necessitaram de intervenção cirúrgica. O desempenho dos modelos foi: Modelo AUC Sensibilidade Especificidade F1-score Acurácia Regressão Logística 0,78 75% 71% 0,73 72,8% Random Forest 0,86 83% 79% 0,81 81,1% XGBoost 0,91 87% 84% 0,86 85,6% SVM 0,84 79% 77% 0,78 78,2% O algoritmo XGBoost apresentou o melhor desempenho global. A análise por SHAP identificou como principais preditores da necessidade cirúrgica: Lactato sérico elevado. Plaquetopenia. PCR elevada. Distensão abdominal. Necessidade de oxigênio suplementar. Essas variáveis apresentaram elevada importância clínica e concordância com fatores já reconhecidos como marcadores de gravidade da ECN. Discussão Os resultados demonstram que modelos de aprendizado de máquina conseguem superar métodos estatísticos tradicionais na identificação precoce dos recém-nascidos com maior risco de cirurgia. O XGBoost mostrou excelente equilíbrio entre sensibilidade e especificidade, reduzindo tanto o risco de atraso na indicação cirúrgica quanto a realização de procedimentos desnecessários. Outro aspecto relevante foi a utilização do SHAP, que aumentou a transparência do modelo ao permitir compreender quais variáveis contribuíram para cada predição, favorecendo sua aceitação clínica. Os autores ressaltam que o modelo ainda necessita de validação prospectiva multicêntrica antes de sua incorporação definitiva na prática assistencial. Conclusão O estudo demonstra que modelos de Machine Learning, especialmente o XGBoost, apresentam elevada capacidade para predizer precocemente a necessidade de intervenção cirúrgica em recém-nascidos com enterocolite necrosante. Os principais preditores identificados — lactato sérico, plaquetopenia, PCR elevada, distensão abdominal e necessidade de oxigênio — são consistentes com o conhecimento clínico atual, reforçando a plausibilidade biológica do modelo. A incorporação futura dessa ferramenta em sistemas de apoio à decisão poderá contribuir para intervenções mais precoces e potencialmente melhores desfechos neonatais. Insights clínicos  Quais pacientes foram incluídos no estudo? Recém-nascidos com enterocolite necrosante estágio II ou superior, peso inferior a 2.000 g e dados clínicos completos nas primeiras 48 horas após o diagnóstico. Qual algoritmo apresentou melhor desempenho? O XGBoost foi o modelo com melhor desempenho, alcançando AUC de 0,91, sensibilidade de 87% e especificidade de 84%. Quais variáveis tiveram maior importância na predição de cirurgia? Lactato sérico, contagem de plaquetas, proteína C reativa, distensão abdominal e necessidade de oxigênio suplementar. Qual foi a proporção de pacientes submetidos à cirurgia? Dos 298 neonatos estudados, 102 (34,2%) necessitaram de intervenção cirúrgica. Qual a principal contribuição clínica do estudo? Demonstrar que modelos interpretáveis de Machine Learning podem auxiliar na identificação precoce de recém-nascidos com maior risco de evolução para cirurgia, oferecendo suporte adicional à tomada de decisão clínica. Para ver mais conteúdos como este, acesse: NeoPed Hub