Construção e validação de modelos de aprendizado de máquina para prever perfuração do apêndice durante tratamento conservador da apendicite associada a fecalito: uma análise multicêntrica retrospectiva com 20 algoritmos

Por que isso importa para pessoas com dor abdominal

A apendicite é uma das causas mais comuns de cirurgia de emergência, mas muitos pacientes hoje são tratados inicialmente com antibióticos em vez de uma operação imediata. Para aqueles cujo apêndice contém um plugue endurecido de fezes, chamado fecalito, essa escolha pode ser arriscada porque o apêndice tem maior probabilidade de romper. Este estudo faz uma pergunta que interessa a todo paciente e médico diante dessa decisão: podemos, logo no início, identificar com segurança quem pode continuar com medicação e quem está em real perigo de uma perfuração perigosa?

O desafio de um apêndice obstruído

Médicos sabem há anos que a apendicite se comporta de forma diferente quando um fecalito bloqueia o estreito canal do apêndice. A obstrução aumenta a pressão, compromete o fluxo sanguíneo e favorece a infecção, tudo isso eleva a chance de o órgão romper mesmo se os antibióticos forem iniciados rapidamente. No entanto, os sistemas de pontuação comuns usados à beira do leito foram desenvolvidos para todos os pacientes, não especificamente para aqueles com fecalitos, e não preveem bem a perfuração nesse grupo de maior risco. Essa incerteza deixa os clínicos divididos entre operar com muita frequência, com seus próprios riscos e custos, ou esperar tempo demais e enfrentar um apêndice rompido.

Usando padrões em dados hospitalares

Os pesquisadores reuniram registros de 1.247 adultos tratados sem cirurgia imediata por apendicite associada a fecalito em quatro grandes hospitais entre 2018 e 2023. Cerca de um em cada sete evoluiu para perfuração dentro de três dias. Para cada paciente, a equipe coletou informações simples que já fazem parte do cuidado de rotina: idade, sinais vitais, exames de sangue que indicam inflamação e medidas por tomografia computadorizada do apêndice e do fecalito. Em seguida, treinaram 20 algoritmos diferentes para identificar padrões que ligassem essas características a quem evoluiu ou não para a perfuração, reservando parte dos dados para testar os modelos de forma imparcial.

A ferramenta vencedora de previsão de risco

Entre todas as abordagens, uma família de métodos que combina muitas árvores de decisão, conhecida como gradient boosting, teve o melhor desempenho. Após uma etapa de seleção de características, a ferramenta final se apoiou em oito informações prontamente disponíveis, incluindo o tamanho do fecalito, os níveis sanguíneos de proteína C-reativa e de leucócitos e a espessura e largura do apêndice vistas na tomografia. No principal grupo de teste, o modelo separou corretamente pacientes de alto e baixo risco com uma medida de acurácia excelente (AUC cerca de 0,89). Mais impressionante, quando o modelo classificava alguém como baixo risco, ele estava certo em mais de 96% das vezes de que essa pessoa não sofreria perfuração, oferecendo forte segurança para a continuação do tratamento conservador.

Convertendo números em grupos de risco claros

Para tornar a ferramenta prática à beira do leito, a equipe converteu suas pontuações de probabilidade brutas em três níveis simples. Pacientes com risco previsto abaixo de 30% foram rotulados como baixo risco e tiveram apenas 3,8% de taxa real de perfuração. Aqueles entre 30% e 60% foram considerados de risco moderado, com cerca de um em cada quatro sofrendo perfuração. Acima de 60% estavam os pacientes de alto risco, mais de sete em cada dez dos quais evoluíram para perfuração. As ações sugeridas seguem essa escala: monitorização rotineira para o grupo de baixo risco, observação mais atenta e exames repetidos para o grupo intermediário e cirurgia precoce ou urgente para os pacientes de risco mais alto. Um conjunto separado de 225 pacientes de um quinto hospital, não usado na construção do modelo, mostrou desempenho muito similar, sugerindo que a abordagem pode funcionar além dos centros originais.

O que isso significa para pacientes e médicos

Em termos práticos, este estudo mostra que um computador treinado com exames laboratoriais comuns e achados de tomografia pode dar aos médicos um alerta inicial muito mais claro sobre quais pacientes com apêndice obstruído estão em risco real se continuarem apenas com antibióticos. Embora a ferramenta não seja perfeita, ela é especialmente eficaz em identificar pessoas que é seguro vigiar e tratar sem apressar a sala de cirurgia. Com testes adicionais em hospitais diferentes e uso em tempo real, tais modelos poderiam apoiar decisões mais personalizadas, ajudando muitos pacientes a evitar cirurgias desnecessárias enquanto garantem que aqueles em maior risco recebam operações oportunas antes que o apêndice rompa.

Citação: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Palavras-chave: apendicite, aprendizado de máquina, previsão de risco, tratamento conservador, gradient boosting