Métodos de machine learning na predição de escores e desfechos em unidade de terapia intensiva cardiológica

Abstract

Resumo: As Unidades de Terapia Intensiva (UTIs) cardiológicas concentram pacientes com elevada complexidade clínica, nos quais a estratificação prognóstica adequada é essencial para a tomada de decisão clínica, alocação de recursos e qualificação da assistência. Embora escores prognósticos tradicionais, como APACHE II e GRACE, sejam amplamente utilizados, esses modelos apresentam limitações para capturar a heterogeneidade e a dinâmica das emergências cardiológicas contemporâneas. Nesse contexto, métodos de machine learning têm emergido como ferramentas promissoras para a predição de desfechos clínicos adversos. O objetivo deste estudo foi desenvolver e comparar modelos preditivos de mortalidade em uma UTI cardiológica, utilizando regressão logística penalizada de Firth e um algoritmo de machine learning baseado em Extreme Gradient Boosting (XGBoost), além de avaliar o desempenho dos escores prognósticos tradicionais APACHE II e GRACE. Trata-se de estudo observacional, retrospectivo e unicêntrico, que incluiu pacientes adultos admitidos em uma UTI cardiológica de hospital universitário terciário entre fevereiro de 2022 e dezembro de 2024. Foram construídos modelos preditivos utilizando regressão logística penalizada de Firth e XGBoost, com avaliação de desempenho por meio da área sob a curva ROC e métricas associadas. A interpretabilidade dos modelos foi explorada por meio da análise da importância das variáveis. A mortalidade esteve principalmente associada à disfunção orgânica, com destaque para disfunção renal, instabilidade hemodinâmica e desequilíbrio acidobásico. Ambos os modelos apresentaram bom desempenho preditivo, com superioridade do XGBoost em termos de capacidade discriminatória global. Os escores tradicionais mantiveram utilidade clínica relevante, com desempenho consistente do APACHE II na amostra geral e adequada capacidade discriminatória do escore GRACE no subgrupo de pacientes com síndrome coronariana aguda. Modelos baseados em machine learning, especialmente o XGBoost, apresentaram desempenho satisfatório na predição de mortalidade em UTI cardiológica e podem atuar como ferramentas complementares aos escores prognósticos tradicionais, contribuindo para o aprimoramento da estratificação de risco e da individualização do cuidado em ambientes de alta complexidade

Abstract: Cardiac Intensive Care Units (CICUs) care for patients with high clinical complexity, in whom accurate prognostic stratification is essential for clinical decision making, resource allocation, and quality of care. Although traditional prognostic scores such as APACHE II and GRACE are widely used, these models have limitations in capturing the heterogeneity and dynamic nature of contemporary cardiac emergencies. In this context, machine learning methods have emerged as promising tools for predicting adverse clinical outcomes. The aim of this study was to develop and compare mortality prediction models in a cardiac intensive care unit using Firth’s penalized logistic regression and a machine learning algorithm based on Extreme Gradient Boosting (XGBoost), as well as to evaluate the performance of the traditional prognostic scores APACHE II and GRACE. This was an observational, retrospective, single-center study including adult patients admitted to a tertiary university hospital cardiac intensive care unit between February 2022 and December 2024. Predictive models were developed using Firth’s penalized logistic regression and XGBoost, with performance assessed using the area under the receiver operating characteristic (ROC) curve and associated metrics. Model interpretability was explored through variable importance analysis. Mortality was primarily associated with organ dysfunction, particularly renal dysfunction, hemodynamic instability, and acid–base imbalance. Both predictive models demonstrated good performance, with XGBoost showing superior overall discriminative ability. Traditional scores retained relevant clinical utility, with APACHE II demonstrating consistent performance in the overall cohort and the GRACE score showing adequate discriminative capacity in the subgroup of patients with acute coronary syndrome. Machine learning–based models, particularly XGBoost, showed satisfactory performance in predicting mortality in the cardiac intensive care setting and may serve as complementary tools to traditional prognostic scores, contributing to improved risk stratification and individualized care in high-complexity environments