Avaliação de modelos de aprendizado profundo para previsão de sepse em UTIs sob mudança de distribuição: um estudo coorte retrospectivo multicêntrico

Por que um alerta precoce para infecção importa

A sepse é uma reação rápida e potencialmente fatal à infecção e uma das principais causas de morte em unidades de terapia intensiva. Hospitais recorrem à inteligência artificial para detectar sinais sutis em monitores e exames laboratoriais horas antes de a sepse se tornar óbvia para os médicos. Mas há um problema: um algoritmo que funciona bem em um hospital frequentemente falha em outro, porque pacientes, equipamentos e registros variam de um lugar para outro. Este estudo faz uma pergunta prática para o atendimento real: dadas essas diferenças, qual é a maneira mais inteligente de reutilizar ou adaptar um modelo de previsão de sepse ao levá-lo para uma nova UTI?

Como os dados hospitalares podem mudar silenciosamente

Os pesquisadores começaram mostrando o quão diferentes os dados de terapia intensiva podem parecer entre hospitais. Eles compararam três grandes bases de dados de UTIs dos Estados Unidos e da Suíça, todas cuidadosamente harmonizadas para acompanhar os mesmos sinais vitais e resultados laboratoriais ao longo do tempo. Mesmo após essa harmonização, muitos dos 48 sinais medidos — como pressão arterial, níveis de oxigênio e certas contagens sanguíneas — apresentaram padrões visivelmente diferentes entre os locais. Testes estatísticos revelaram que, em cada par de hospitais, dezenas de variáveis seguiram distribuições distintas, e algumas características se comportaram de forma única em cada conjunto de dados. Em termos gerais, os dois conjuntos americanos se assemelharam mais entre si do que cada um se assemelhou ao suíço, ressaltando que padrões de prática nacional e hábitos de medição deixam uma impressão nos dados que os algoritmos precisam interpretar.

Testando IA em múltiplas unidades de terapia intensiva

Com essas diferenças estabelecidas, a equipe treinou três tipos de modelos de aprendizado profundo para prever sepse cerca de seis horas antes de seu diagnóstico formal. Em seguida, testaram o que acontece quando um modelo treinado em uma UTI é usado diretamente em outra. No geral, os modelos transferiram-se razoavelmente bem, especialmente quando a UTI de destino dispunha de muito poucos dados próprios. Por exemplo, quando apenas uma pequena fração dos registros locais estava disponível, usar um modelo pré-treinado em outro local foi melhor do que treinar um novo modelo do zero. Redes neurais convolucionais foram as mais estáveis entre os locais. À medida que mais dados locais foram adicionados, a performance aumentou continuamente e eventualmente se estabilizou, com alguns hospitais (particularmente o grande conjunto multissetorial americano) sendo mais fáceis de modelar que outros.

Tentando diferentes formas de transferir um modelo

Em seguida, os autores compararam estratégias práticas para implantar esses modelos quando um hospital acumula gradualmente seus próprios dados. Eles examinaram cinco opções: simplesmente reutilizar o modelo original tal como está; ajustar apenas suas últimas camadas (fine-tuning); retreinar completamente todas as camadas usando dados locais; treinar um modelo inteiramente novo apenas com dados locais; e duas formas de "adaptação de domínio" que explicitamente forçam as representações internas do modelo dos hospitais de origem e destino a se alinharem. Agruparam hospitais de destino em regimes de dados pequenos, médios e grandes e repetiram a comparação em vários pares origem–destino e tipos de modelo. Essa abordagem sistemática imitou implantações do mundo real, desde uma pequena UTI rural com alguns casos até uma rede nacional agrupando dezenas de milhares de internações.

O que funciona melhor em diferentes escalas de dados

Os resultados questionam o hábito comum de confiar apenas em fine-tuning simples. Em diversas condições, o ajuste fino geralmente ficou atrás de outros métodos. Quando a UTI de destino tinha apenas um número reduzido de casos, a melhor opção foi inicializar a partir do modelo externo e então retreinar todas as suas camadas com os dados locais; combinar dados de origem e destino em um único conjunto de treinamento (fusão) ficou em segundo lugar próximo. Para conjuntos de dados de tamanho médio, métodos de adaptação de domínio — aqui, técnicas que incentivam o modelo a fazer com que os padrões de características de ambos os hospitais se sobreponham mais de perto — trouxeram os ganhos mais confiáveis, aumentando métricas de discriminação e mantendo baixa a variabilidade. Quando a UTI de destino reuniu um grande conjunto de dados, modelos treinados totalmente ou em grande parte com esses dados locais, às vezes com fusão adicional, igualaram ou superaram todas as abordagens baseadas em transferência.

O que isso significa para o cuidado ao paciente

Para não especialistas, a mensagem chave é que não existe uma única maneira de implantar IA para sepse em todos os hospitais. Como cada UTI tem seu próprio "sotaque de dados", simplesmente importar um modelo e ajustar sua camada final — um atalho comum — pode deixar desempenho inexplorado ou até induzir em erro os clínicos. Em vez disso, o estudo sugere um roteiro simples: em cenários com pouquíssimos dados, comece a partir de um modelo externo e retreine-o completamente; à medida que mais casos locais se acumularem, mude para um treinamento consciente do domínio que respeite as diferenças entre hospitais; e quando existirem grandes conjuntos de dados locais, priorize modelos construídos principalmente com essa experiência local. Seguir esses princípios pode ajudar hospitais a colocar ferramentas de previsão de sepse em operação mais cedo, mantendo seus alertas mais confiáveis e melhor adaptados aos seus próprios pacientes.

Citação: Tranchellini, F., Farag, Y., Jutzeler, C. et al. Evaluating deep learning sepsis prediction models in ICUs under distribution shift: a multi-centre retrospective cohort study. npj Digit. Med. 9, 306 (2026). https://doi.org/10.1038/s41746-026-02364-4

Palavras-chave: previsão de sepse, terapia intensiva, aprendizado profundo, adaptação de domínio, mudança de distribuição