Aplicação de XGBoost e regressão logística na predição de mortalidade em 90 dias para pacientes idosos com insuficiência renal aguda grave

Por que esta pesquisa importa para famílias e pacientes

A insuficiência renal aguda é uma perda súbita da função dos rins que frequentemente atinge pessoas mais velhas em unidades de terapia intensiva. Pode transformar uma doença séria em uma crise com risco de vida, e muitas famílias e médicos têm dificuldade em saber quais pacientes estão em maior risco de morrer nas semanas seguintes. Este estudo faz uma pergunta simples, porém importante: ferramentas modernas orientadas por dados podem ajudar os médicos a identificar com mais precisão quais pacientes idosos com insuficiência renal grave correm maior perigo nos próximos três meses, para que o cuidado possa ser melhor direcionado?

Quem foi estudado e o que a equipe se propôs a fazer

Os pesquisadores analisaram registros de 7.500 pessoas com mais de 60 anos que foram internadas em uma unidade de terapia intensiva em Boston entre 2008 e 2019 e desenvolveram insuficiência renal aguda grave. Cerca de 1.150 desses pacientes morreram em até 90 dias, destacando o quão letal essa condição pode ser em adultos mais velhos. Usando esse grande conjunto de dados hospitalares do mundo real, a equipe comparou duas maneiras de transformar informações coletadas à beira do leito — como idade, pressão arterial, diurese e escores de gravidade da doença — em uma previsão de quem estaria vivo três meses depois.

Du ​​as maneiras diferentes de “ler” os dados

O primeiro método, a regressão logística, é um pilar estatístico de longa data na pesquisa médica. Procura relações em linha reta entre fatores de risco e desfechos e é valorizado porque os médicos conseguem ver facilmente como cada fator, como idade ou pressão arterial, eleva ou reduz o risco. O segundo método, chamado XGBoost, pertence a uma família mais nova de ferramentas de aprendizado de máquina. Em vez de uma única linha reta, ele constrói muitas pequenas árvores de decisão que, juntas, podem capturar padrões complexos e curvos nos dados — por exemplo, situações em que o risco aumenta acentuadamente apenas quando vários fatores se combinam. Por isso, em teoria, o XGBoost pode extrair mais poder preditivo das mesmas informações hospitalares, embora seja mais difícil de interpretar rapidamente.

O que os modelos revelaram sobre o risco

Ambas as abordagens receberam os mesmos dados cuidadosamente limpos e foram testadas usando validação cruzada rigorosa e repetida para evitar overfitting. Várias características apareceram de forma consistente como fortemente associadas à morte em 90 dias. Entre elas estavam o quão grave estava o paciente ao chegar à UTI (capturado por um escore chamado APSIII), a baixa produção de urina, idade avançada, níveis baixos de oxigênio no sangue e a necessidade de drogas vasopressoras para elevar a pressão arterial. Ter câncer avançado com metástases também aumentou muito a probabilidade de morrer. Juntos, esses fatores desenham o quadro de pacientes mais frágeis, cujos corpos lutam em várias frentes ao mesmo tempo.

Qual método de predição foi melhor

Quando os dois modelos foram comparados diretamente, ambos fizeram um bom trabalho em distinguir pacientes que sobreviveriam daqueles que não. No entanto, o XGBoost teve desempenho ligeiramente melhor: em uma medida padrão de acurácia chamada área sob a curva, obteve 0,851, contra 0,838 da regressão logística. A análise por curvas de decisão, uma forma de avaliar quão útil um modelo é para decisões da vida real, como intensificar o tratamento, mostrou que o XGBoost ofereceu maior benefício líquido em uma gama mais ampla de cenários clínicos. Também apresentou erros de previsão menores no geral. Para tornar esse modelo complexo mais compreensível à beira do leito, a equipe criou um gráfico de “decomposição” que mostra, para um paciente individual, como cada fator empurra sua probabilidade prevista para cima ou para baixo.

O que isso pode significar para o cuidado

Para um leigo, a mensagem principal é que computadores agora podem ajudar os médicos a estimar, com precisão razoável, quais pacientes idosos em UTI com insuficiência renal súbita estão em maior risco de morrer em até três meses. Neste estudo, o método mais novo de aprendizado de máquina superou o método tradicional, especialmente quando muitos fatores de saúde interagiam de maneiras complicadas. Ainda assim, ambas as ferramentas dependem de informações que os hospitais já coletam — como diurese, idade, gravidade da doença, pressão arterial e presença de câncer avançado — e destinam‑se a apoiar, não a substituir, o julgamento clínico. Se testados adicionalmente em hospitais diferentes, tais modelos poderiam orientar conversas mais oportunas sobre prognóstico, ajudar a priorizar recursos escassos de terapia intensiva e incentivar monitorização mais próxima e tratamento personalizado para os pacientes cujos rins, e a saúde em geral, estão mais precários.

Citação: Zeng, J., Zhu, Y., Ye, F. et al. ‌Application of XGBoost and logistic regression in predicting 90 days mortality for elderly severe acute renal failure patients. Sci Rep 16, 7077 (2026). https://doi.org/10.1038/s41598-026-37828-w

Palavras-chave: insuficiência renal aguda, pacientes idosos em UTI, predição de mortalidade, aprendizado de máquina na medicina, regressão logística vs XGBoost