Previsão explicável por aprendizado de máquina de traqueostomia após craniotomia por hemorragia intracerebral supratentorial

Por que isso importa para pacientes e familiares

Quando alguém sofre um tipo grave de AVC causado por sangramento no cérebro, frequentemente precisa de cirurgia cerebral de emergência e de ventilação mecânica. Uma das decisões à beira do leito mais difíceis para médicos e famílias é se o paciente precisará, mais adiante, de um orifício no pescoço — chamado traqueostomia — para auxiliar a respiração por prazo prolongado. Este estudo mostra como uma forma explicável de inteligência artificial pode estimar esse risco cedo, usando apenas um conjunto reduzido de medidas médicas rotineiras, e transformá-lo em uma ferramenta simples para uso no leito.

Sangramento cerebral grave e suporte respiratório

O sangramento na parte superior do cérebro, conhecido como hemorragia intracerebral supratentorial, é um dos tipos mais perigosos de AVC. Muitos desses pacientes, na China e em outros lugares, são submetidos à cirurgia aberta para remover o sangue e aliviar a pressão. Mesmo após a cirurgia, quase metade terá necessidade de suporte ventilatório prolongado, e uma grande fração recebe traqueostomia para tornar a ventilação mais segura e confortável. Até agora, os médicos precisavam confiar na experiência e em escores amplos de AVC que não eram específicos para esse grupo cirúrgico, dificultando dar orientações claras às famílias ou planejar recursos de terapia intensiva.

Transformando dados rotineiros em uma ferramenta de previsão

Os pesquisadores reuniram dados de dois hospitais sobre 924 adultos que apresentaram esse tipo de sangramento cerebral e foram submetidos à cirurgia. Eles analisaram informações básicas já coletadas no primeiro dia de cuidado: idade, nível de consciência pela Escala de Coma de Glasgow, tamanho do coágulo cerebral, duração da operação e um valor comum de bioquímica sanguínea chamado bicarbonato sérico, que reflete o equilíbrio ácido–base do corpo. Usando uma abordagem de seleção passo a passo, descobriram que esses cinco fatores concentravam a maior parte da informação útil sobre se o paciente receberia traqueostomia posteriormente.

Como funciona o modelo explicável de IA

Com essas cinco informações, a equipe treinou três modelos computacionais diferentes: um modelo estatístico padrão, uma floresta aleatória e um método mais avançado baseado em árvores chamado extreme gradient boosting. Eles ajustaram cada modelo cuidadosamente e os testaram usando validação cruzada nos dados do hospital principal, depois verificaram o desempenho novamente nos pacientes do segundo hospital. Todos os três métodos foram bons para separar pacientes de alto risco dos de baixo risco, mas o modelo de gradient boosting ofereceu o melhor equilíbrio entre acurácia e confiabilidade das estimativas de risco, além de proporcionar o maior benefício clínico potencial quando os resultados foram avaliados da maneira como um médico realmente os utilizaria à beira do leito.

Tornando a caixa-preta transparente

Uma preocupação comum com inteligência artificial na medicina é que ela funcione como uma caixa-preta, dando respostas sem razões. Para evitar isso, os pesquisadores usaram uma técnica chamada SHAP que decompõe cada previsão em contribuições dos cinco insumos. No conjunto total, menores escores de consciência e hematomas cerebrais maiores foram os principais motores da necessidade de traqueostomia, seguidos por idade mais avançada, tempo de cirurgia mais longo e níveis mais baixos de bicarbonato. Para pacientes individuais, a ferramenta pode exibir uma imagem simples em formato de barras mostrando como cada fator elevou ou reduziu o risco pessoal, fornecendo a clínicos e famílias uma explicação intuitiva em vez de apenas um número.

Do modelo de pesquisa à ferramenta de beira de leito

Para tornar o trabalho utilizável na prática diária, os autores construíram um calculador web gratuito. Um clínico pode inserir a idade do paciente, o escore na Escala de Coma de Glasgow, o tamanho do hematoma, a duração da operação e o nível de bicarbonato, e a ferramenta retorna uma probabilidade estimada de que o paciente precisará de traqueostomia, junto com uma explicação visual. Embora o estudo tenha limitações — é retrospectivo, de uma única região, e ainda não inclui mudanças de longo prazo na condição do paciente — ele mostra que um conjunto pequeno e transparente de fatores pode capturar grande parte do risco.

O que isso significa para decisões sobre o cuidado

Em termos simples, o estudo conclui que um modelo explicável de IA usando apenas cinco medidas rotineiras pode fornecer uma estimativa precoce e confiável sobre se um paciente submetido à cirurgia cerebral por um sangramento grave tem probabilidade de necessitar de traqueostomia. Esse tipo de ferramenta não substitui o julgamento médico, mas pode apoiar conversas mais informadas com as famílias, ajudar a planejar pessoal e equipamentos nas unidades de terapia intensiva e orientar futuros ensaios sobre quando a traqueostomia deve ser realizada. Com mais testes em outros hospitais, pode tornar-se parte do cuidado padrão para alguns dos pacientes com AVC mais graves.

Citação: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

Palavras-chave: acidente vascular cerebral, traqueostomia, cirurgia cerebral, aprendizado de máquina, terapia intensiva