Um modelo de aprendizado de máquina para predição de sepse pós-operatória em pacientes cirúrgicos agudos: estudo prospectivo multicêntrico

Por que isso importa para pacientes e familiares

A sepse é uma reação à infecção que pode ser fatal e que pode ocorrer após cirurgia de emergência, especialmente em adultos mais velhos. Os médicos sabem que identificar o risco de sepse cedo pode salvar vidas, mas é difícil avaliar quem é mais vulnerável na correria antes de uma operação urgente. Este estudo investiga se o reconhecimento de padrões por computador, um ramo da inteligência artificial chamado aprendizado de máquina, pode vasculhar dados rotineiros do hospital para sinalizar pacientes idosos que provavelmente desenvolverão sepse após cirurgia de emergência, dando às equipes mais tempo para agir.

Sepse e os perigos após cirurgia de emergência

A sepse é uma das principais causas de morte no mundo, associada a milhões de casos e a diversos milhões de óbitos a cada ano. A cirurgia de emergência acrescenta estresse extra: os pacientes costumam ser mais velhos, mais frágeis e já muito doentes ao chegar ao centro cirúrgico. Infecções podem surgir ou piorar rapidamente após o procedimento, e os sintomas podem se assemelhar à recuperação pós-operatória normal até que o paciente piore subitamente. Listas de verificação e sistemas de pontuação tradicionais ajudam, mas não foram projetados especificamente para idosos que precisam de operações urgentes, e podem deixar passar aqueles com maior risco.

Transformando dados hospitalares rotineiros em sinais de alerta precoces

Os pesquisadores usaram informações de um grande estudo italiano com pacientes de 65 anos ou mais submetidos a operações de emergência em 29 hospitais. A partir de mais de 150 itens registrados, eles se concentraram apenas em detalhes disponíveis antes da cirurgia, como idade, doenças pré-existentes, estado funcional, sinais vitais, exames de sangue básicos e medidas de fragilidade. Rotularam os pacientes como sépticos ou não com base em uma pontuação à beira do leito chamada qSOFA, que usa frequência respiratória, pressão arterial e estado mental para sinalizar infecção perigosa. No total, foram analisados 2.563 pacientes, dos quais 119 atenderam aos critérios de sepse após a cirurgia.

Como os modelos computacionais foram construídos e testados

A equipe comparou vários tipos de modelos de aprendizado de máquina, incluindo regressão logística, k-vizinhos mais próximos, florestas aleatórias e árvores com gradiente impulsionado. Para evitar autoengano, eles usaram um método rígido de duas camadas conhecido como validação cruzada aninhada: a cada rodada, reservaram alguns pacientes como grupo de teste e ajustaram os modelos somente nos casos restantes. Também lidaram com o fato de que a sepse era relativamente rara equilibrando cuidadosamente os dados, preenchendo pequenas lacunas de informação e padronizando as medições. O desempenho foi avaliado com métricas familiares, como acurácia, que indica com que frequência o modelo estava certo no geral, e sensibilidade e especificidade, que mostram com que frequência detectou corretamente ou descartou sepse.

O que os modelos revelaram sobre o risco de sepse

Todos os modelos de aprendizado de máquina superaram claramente uma estratégia simples que assume que ninguém desenvolverá sepse. Entre os modelos individuais, florestas aleatórias e árvores com gradiente impulsionado ofereceram a melhor combinação de detecção correta da sepse e minimização de falsos alarmes, com acurácia geral acima de 95% e forte capacidade de distinguir pacientes de alto risco dos de baixo risco. Os pesquisadores também combinaram os quatro principais modelos em um único conjunto que tomou uma decisão por votação majoritária entre suas previsões. Essa abordagem combinada alcançou acurácia muito alta, sensibilidade robusta e excelente tranquilidade quando declarou um paciente de baixo risco, o que significa que pouquíssimas pessoas que depois desenvolveram sepse foram perdidas pelo sistema de alerta precoce.

O que isso pode significar no hospital

Se confirmado em estudos futuros, esse tipo de ferramenta de risco pré-operatório poderia fornecer às equipes cirúrgicas uma lista de verificação prática alimentada por dados. Antes de um idoso entrar na sala de operação, o modelo poderia analisar silenciosamente suas informações rotineiras e sugerir quem pode precisar de monitoramento mais próximo, antibióticos mais precoces ou cuidados pós-operatórios diferentes. Poderia orientar decisões sobre onde o paciente deve se recuperar, como uma enfermaria comum ou uma unidade de maior intensidade, e ajudar os hospitais a concentrar equipe e recursos limitados naqueles com maior probabilidade de desenvolver infecção grave. O estudo não afirma que o modelo esteja pronto para uso diário ainda, mas demonstra que o aprendizado de máquina pode transformar informações já coletadas em cirurgias de emergência em alertas precoces relevantes sobre o risco de sepse.

Citação: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Palavras-chave: sepse pós-operatória, cirurgia de emergência, pacientes idosos, aprendizado de máquina, predição de risco