A mortalidade relacionada à asma na unidade de terapia intensiva (UTI) continua mal caracterizada, sem modelos preditivos existentes especificamente projetados para esta população de alto risco. Este estudo teve como objetivo desenvolver e validar externamente um modelo baseado em aprendizado de máquina para prever a mortalidade hospitalar em 30 dias entre pacientes asmáticos na UTI. O modelo foi desenvolvido usando dados do MIMIC-IV 2.2 e validado externamente em um subconjunto do MIMIC-IV 3.1. Variáveis clínicas das primeiras 24 horas de admissão na UTI foram extraídas. A seleção de características foi realizada utilizando a regressão LASSO e o algoritmo Boruta. Sete algoritmos de aprendizado de máquina foram treinados e avaliados usando curvas de característica operacional do receptor (ROC), gráficos de calibração e análise de curva de decisão. O modelo de melhor desempenho foi identificado com base nos resultados de validação interna e externa. Explicações Aditivas de SHapley (SHAP) foram empregadas para interpretar a importância das características. O modelo final foi implantado como uma ferramenta web interativa. Um total de 4385 pacientes asmáticos na UTI foram analisados. O modelo final XGBoost, usando 12 características, alcançou a maior AUROC tanto na validação interna (0,83) quanto externa (0,80), e demonstrou a melhor calibração e benefício clínico líquido. A análise SHAP identificou idade, taxa respiratória, RDW, produção de urina e diferença aniónica como os principais preditores. O modelo superou as pontuações convencionais da UTI e está disponível como uma ferramenta baseada na web. Desenvolvemos e validamos externamente um modelo de previsão robusto para mortalidade em 30 dias em pacientes asmáticos da UTI. O modelo oferece forte desempenho, interpretabilidade e utilidade clínica, apoiando seu uso para estratificação de risco em tempo real e tomada de decisões em ambientes de cuidados críticos.
Ge et al. (Tue,) estudaram esta questão.