Previsão precoce de colonização por Enterobacterales produtoras de carbapenemase na admissão à UTI usando aprendizado de máquina

Por que germes ocultos no hospital importam

Muitos dos pacientes mais graves de um hospital são tratados em unidades de terapia intensiva (UTIs), onde antibióticos potentes e dispositivos invasivos são comuns. Nesse ambiente, um grupo perigoso de bactérias intestinais — Enterobacterales produtoras de carbapenemase, ou CPE — pode se estabelecer silenciosamente. Pessoas que carregam esses germes podem não apresentar sintomas, mas podem transmiti‑los a outros ou desenvolver mais tarde infecções potencialmente fatais e difíceis de tratar. Este estudo faz uma pergunta prática: é possível prever, no momento em que alguém entra na UTI, quem já provavelmente carrega CPE para que a equipe possa proteger os demais pacientes de forma mais eficaz?

Uma ameaça silenciosa na UTI

As CPE são bactérias intestinais que aprenderam a resistir aos carbapenêmicos, alguns dos antibióticos mais potentes usados quando outros medicamentos falham. Na Coreia do Sul, as infecções por CPE aumentaram nos últimos anos, acompanhando uma tendência global. Pacientes de UTI estão especialmente em risco porque costumam permanecer mais tempo no hospital, ser submetidos a mais procedimentos e receber mais antibióticos do que outros pacientes. Hospitais podem usar swabs retais para detectar CPE, mas os resultados demoram, e não é realista isolar todo novo paciente de UTI até sair o laudo laboratorial. Os autores propuseram construir uma ferramenta que use informações já presentes no prontuário médico na admissão à UTI para estimar quais pacientes provavelmente são portadores de CPE.

Minerando prontuários em busca de pistas

Os pesquisadores analisaram 4.915 admissões de adultos na UTI de um grande hospital sul‑coreano entre 2022 e 2023. Todos esses pacientes tiveram swabs retais coletados dentro de 48 horas após a chegada à UTI. Cerca de 9,2% — 453 pessoas — foram encontradas colonizadas por CPE. A partir dos prontuários eletrônicos, a equipe extraiu 42 itens de informação disponíveis na admissão, incluindo idade, internações recentes em hospitais e em instituições de longa permanência, cirurgias prévias, doenças subjacentes, uso prévio de antibióticos e se o paciente tinha sondas ou cateteres. Usando essas variáveis, compararam dez abordagens diferentes de aprendizado de máquina para ver qual separava melhor portadores de CPE de não‑portadores.

Um modelo simples com forte poder de exclusão

Em vez de favorecer o algoritmo mais complexo, o estudo constatou que um método relativamente direto — regressão logística — alcançou o melhor equilíbrio para uso na prática clínica. Com um corte de risco escolhido, o modelo identificou corretamente cerca de 73% dos portadores e classificou 96% dos não‑portadores previstos como realmente negativos. Em termos práticos, quando a ferramenta indica que um paciente provavelmente não carrega CPE, ela quase sempre está certa. Isso é crucial para equipes de controle de infecção que precisam decidir quem realmente necessita de poucas salas de isolamento disponíveis. Outros modelos mais sofisticados foram mais específicos, mas deixaram de detectar muitos portadores verdadeiros, tornando‑os menos seguros para esse propósito.

Quem está mais em risco?

Para manter a ferramenta compreensível para os clínicos, os autores focaram em 12 preditores chave. Ter um dreno biliar — um tubo que drena bile do fígado — esteve associado às maiores chances de portar CPE. Outros sinais fortes incluíram residência recente em uma instituição de longa permanência, presença de sonda nasogástrica ou cateter venoso central, tratamento recente com esteroides, uso prévio de múltiplos antibióticos e mais dias de internação antes de entrar na UTI. Histórico de colonização ou infecção por outro germe resistente, enterococos resistentes à vancomicina, também aumentou as chances. A equipe usou SHAP (Shapley Additive Explanations), um método que mostra como cada fator empurra o risco de um paciente para cima ou para baixo, de modo que as predições individuais não sejam uma “caixa‑preta” misteriosa.

Dos números às decisões à beira do leito

Para tornar a pesquisa utilizável além do conjunto de dados, a equipe criou um calculador web gratuito (www.cpepredictor.com). Clínicos podem preencher respostas a 14 perguntas simples na admissão à UTI — por exemplo, se o paciente tomou recentemente certos antibióticos ou se tem determinados tubos — e a ferramenta estima instantaneamente a chance de colonização por CPE. Os autores enfatizam que o modelo é mais adequado para excluir pacientes de baixo risco, e não para rotular pessoas definitivamente como portadoras. Um resultado positivo deve motivar isolamento precoce ou testes moleculares rápidos, e não substituir culturas laboratoriais padrão. Embora o estudo tenha ocorrido em um único hospital e necessite de validação em outros locais, ele demonstra como ferramentas de aprendizado de máquina interpretáveis e bem projetadas podem ajudar hospitais a direcionar os recursos de controle de infecção onde são mais necessários, reduzindo a disseminação de bactérias altamente resistentes sem sobrecarregar UTIs já tensionadas.

Citação: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

Palavras-chave: resistência a antibióticos, unidade de terapia intensiva, controle de infecções, aprendizado de máquina na medicina, infecções hospitalares