Uso de aprendizado de máquina para analisar dados de unidades de terapia intensiva coletados rotineiramente: uma revisão sistemática

FUNDAMENTO: As unidades de terapia intensiva (UTIs) enfrentam restrições financeiras, de gerenciamento de leitos e de equipe. Dados detalhados cobrindo todos os aspectos das jornadas dos pacientes para dentro e através da terapia intensiva são agora coletados e armazenados em registros eletrônicos de saúde: o aprendizado de máquina tem sido utilizado para analisar esses dados a fim de fornecer suporte à decisão para os clínicos. MÉTODOS: Revisão sistemática das aplicações de aprendizado de máquina a dados de UTI coletados rotineiramente. As bases de dados Web of Science e MEDLINE foram pesquisadas para identificar artigos candidatos: aqueles sobre processamento de imagem foram excluídos. O objetivo do estudo, o tipo de aprendizado de máquina utilizado, o tamanho do conjunto de dados analisado, se e como o modelo foi validado e medidas de precisão preditiva foram extraídos. RESULTADOS: Dos 2450 artigos identificados, 258 atenderam aos critérios de elegibilidade. Os objetivos de estudo mais comuns foram prever complicações (77 artigos 29,8% dos estudos), prever mortalidade (70 27,1%), melhorar modelos prognósticos (43 16,7%) e classificar subpopulações (29 11,2%). O tamanho da amostra mediana foi 488 (IIQ 108-4099): 41 estudos analisaram dados de > 10.000 pacientes. As análises se concentraram em 169 (65,5%) artigos que utilizaram aprendizado de máquina para prever complicações, mortalidade, tempo de internação ou melhoria da saúde. As previsões foram validadas em 161 (95,2%) desses estudos: a área sob a curva ROC (AUC) foi reportada por 97 (60,2%), mas apenas 10 (6,2%) validaram previsões usando dados independentes. A AUC mediana foi 0,83 em estudos com 1000-10.000 pacientes, subindo para 0,94 em estudos com > 100.000 pacientes. Os métodos de aprendizado de máquina mais comuns foram redes neurais (72 estudos 42,6%), máquinas de vetor de suporte (40 23,7%) e árvores de classificação/decisão (34 20,1%). Desde 2015 (125 estudos 48,4%), os métodos mais comuns foram máquinas de vetor de suporte (37 estudos 29,6%) e florestas aleatórias (29 23,2%). CONCLUSÕES: A taxa de publicação de estudos usando aprendizado de máquina para analisar dados de UTI coletados rotineiramente está aumentando rapidamente. Os tamanhos das amostras utilizados em muitos estudos publicados são muito pequenos para explorar o potencial desses métodos. Diretrizes metodológicas e de relato são necessárias, particularmente em relação à escolha do método e à validação de previsões, para aumentar a confiança nas descobertas relatadas e ajudar na transição das descobertas para o uso rotineiro na prática clínica.