Estratificação precoce do risco de gravidade da lesão renal aguda em pacientes com infarto agudo do miocárdio e diabetes usando aprendizado de máquina

Por que isso importa para pacientes e famílias

Infartos e diabetes já são condições assustadoras por si só, mas quando ocorrem juntos aumentam muito o risco de os rins falharem de forma súbita durante a internação. Este estudo faz uma pergunta bastante prática: podemos usar informações que os médicos já coletam no primeiro dia de internação para identificar quais pacientes têm maior probabilidade de desenvolver dano renal leve, moderado ou grave, antes que ele se manifeste completamente? Ao fazer isso, a equipe espera dar aos clínicos tempo adicional para proteger os rins e possivelmente melhorar a sobrevida.

Coração, açúcar e rins em um equilíbrio delicado

Quando alguém com diabetes sofre um infarto, os rins ficam sob tensão especial. A hiperglicemia crônica pode danificar os menores vasos sanguíneos e reduzir a reserva renal. Um infarto, por sua vez, pode diminuir o fluxo sanguíneo e o oxigênio para esses órgãos já vulneráveis. O resultado é a lesão renal aguda, uma queda súbita da função renal que está associada a internações mais longas, custos mais elevados e maior mortalidade. Infelizmente, a lesão renal muitas vezes só é reconhecida depois que um exame de sangue chamado creatinina já aumentou, momento em que parte do dano pode ser difícil de reverter.

Transformando dados de rotina em alertas precoces

Os pesquisadores utilizaram três grandes bases de dados hospitalares dos Estados Unidos e da China, cobrindo 4.908 pacientes que tiveram infarto e diabetes. Usando apenas informações das primeiras 24 horas após a admissão — como idade, pressão arterial, hemograma, exames laboratoriais relacionados aos rins, diurese e escores de gravidade da doença — eles treinaram uma série de modelos computacionais para estimar a probabilidade de cada paciente desenvolver diferentes graus de lesão renal mais adiante na internação. Compararam dez abordagens comuns de aprendizado de máquina, desde a regressão logística simples até métodos baseados em árvores mais avançados como LightGBM e XGBoost, e testaram rigorosamente esses modelos em grupos hospitalares separados para avaliar sua capacidade de generalização.

Desempenho dos modelos

Entre quase cinco mil pacientes, quase quatro em cada dez evoluíram para algum nível de lesão renal. Vários modelos apresentaram bom desempenho, mas dois se destacaram. O LightGBM foi o melhor em prever se os pacientes desenvolveriam ao menos lesão renal leve ou ao menos moderada, enquanto o XGBoost se sobressaiu para o estágio mais grave. Em um hospital externo na China, esses modelos distinguiram corretamente pacientes de maior e menor risco com alta acurácia, medida por valores da área sob a curva (AUC) em torno de 0,85–0,88. Análises de curva de decisão sugeriram que usar essas previsões ofereceria mais benefício clínico do que tratar todos como de alto risco ou ignorar o risco por completo, ao longo de uma ampla faixa de limiares de decisão escolhidos pelos clínicos.

O que impulsiona as previsões de risco

Para ir além de uma “caixa preta”, a equipe usou um método de explicação chamado SHAP para mostrar quais entradas mais influenciaram as previsões. Medidas renais precoces — como o maior valor de creatinina, taxa de filtração estimada e débito urinário — foram contribuintes importantes, refletindo tanto vulnerabilidade basal quanto estresse inicial sobre os rins. Medidas de gravidade clínica geral, química sanguínea (incluindo lactato e equilíbrio ácido–base), pressão arterial e estado nutricional (como níveis de albumina) também tiveram papel relevante. Importante: todas essas variáveis são coletadas rotineiramente e podem ser extraídas automaticamente dos prontuários eletrônicos, o que significa que o modelo poderia rodar em segundo plano sem trabalho extra para a equipe de beira de leito.

Das pontuações computacionais às decisões à beira do leito

Os autores enfatizam que a ferramenta se destina a apoiar, não a substituir, o julgamento clínico. Eles construíram uma interface web onde os clínicos podem digitar ou importar automaticamente dados precoces da internação e receber estimativas de risco individualizadas para lesão renal leve, moderada e grave. Um risco predito alto pode levar a monitorização mais intensa, uso mais cauteloso de contrastes e outros tratamentos que estressam os rins, ou consulta mais precoce com especialistas renais e consideração de terapias avançadas. Como práticas hospitalares e populações de pacientes diferem, a equipe alerta que cada instituição precisará testar e ajustar localmente o modelo antes de depender dele. Ainda assim, o estudo demonstra que, com dados já disponíveis, é possível identificar rins vulneráveis cedo — abrindo uma janela para um cuidado mais personalizado e oportuno.

Citação: Ruan, L., Qiao, Y., Li, X. et al. Early risk stratification of acute kidney injury severity in patients with acute myocardial infarction and diabetes using machine learning. Sci Rep 16, 12285 (2026). https://doi.org/10.1038/s41598-026-41356-y

Palavras-chave: lesão renal aguda, infarto do miocárdio, diabetes, aprendizado de máquina, previsão de risco