Desenvolvimento e validação multicêntrica de critérios diagnósticos explicáveis por aprendizado de máquina para sepse abdominal pediátrica

Por que isso importa para crianças doentes

Quando uma criança chega ao hospital com dor abdominal intensa e sinais de infecção, os médicos precisam decidir muito rapidamente quem está realmente em perigo. Se a sepse abdominal — uma infecção com risco de vida na região abdominal — for perdida ou reconhecida tardiamente, a criança pode evoluir para insuficiência orgânica e o tratamento pode deixar de ser eficaz. Este estudo descreve uma nova ferramenta computacional, construída a partir de dados hospitalares do mundo real, que ajuda os médicos a identificar sepse abdominal em crianças mais cedo e com mais confiabilidade, usando exames de sangue e sinais vitais que já são coletados rotineiramente.

A ameaça oculta dentro do abdome

A sepse é uma das principais causas de morte infantil no mundo, e as infecções que têm início no abdome estão entre as formas mais perigosas. As regras e sistemas de pontuação atuais para sepse foram em grande parte desenvolvidos para adultos e se concentram fortemente em problemas pulmonares e cardíacos. Quando esses sinais se tornam evidentes em uma criança, o dano no abdome, fígado ou intestinos pode já estar avançado. As ferramentas pediátricas existentes também têm dificuldade em detectar a sepse abdominal com antecedência suficiente para orientar cirurgia ou tratamento agressivo em tempo hábil. Os autores argumentam que crianças com suspeita de doença abdominal precisam de uma ferramenta de diagnóstico adaptada especificamente a esse tipo de infecção.

Transformando exames rotineiros em um alarme inteligente

A equipe de pesquisa reuniu prontuários eletrônicos de mais de 22.000 crianças atendidas em um grande hospital pediátrico na China entre 2019 e 2023, com foco em 6.566 pacientes com problemas abdominais, como apendicite ou obstrução intestinal. Dentro desse grupo, especialistas revisaram cuidadosamente prontuários, imagens, cirurgias, medicamentos e anotações de seguimento para decidir quais crianças realmente tinham sepse abdominal pediátrica (SAP). Eles usaram uma abordagem de “aprendizado ativo”: uma pequena amostra foi rotulada por três médicos experientes, um modelo preliminar foi treinado, e esse modelo então sugeriu novos casos incertos para os médicos reavaliarem, refinando repetidamente o conjunto de dados e reduzindo discordâncias.

Nove sinais simples com forte poder prognóstico

A partir de dezenas de valores laboratoriais e sinais vitais medidos nas primeiras 24 horas de internação, os pesquisadores buscaram a combinação que melhor separasse a sepse de outras doenças abdominais. Eles chegaram a nove medidas rotineiras: frequência cardíaca; contagem de leucócitos; contagem absoluta de neutrófilos; uma enzima hepática chamada γ‑glutamil transferase; outra enzima hepática (AST); a razão entre duas proteínas sanguíneas (albumina e globulina); pré‑albumina; nível de cálcio; e um marcador sensível de inflamação conhecido como proteína C‑reativa de alta sensibilidade. Nenhum desses testes é exótico — fazem parte do cuidado rotineiro — mas juntos formam um padrão potente. Com esses nove marcadores, diversos métodos de aprendizado de máquina foram comparados, e um modelo random‑forest apresentou o desempenho mais confiável.

Uma ferramenta que funciona em vários hospitais

O modelo final, chamado ABSeD (Abdominal Sepsis Diagnosis), distinguiu corretamente SAP de outras doenças abdominais com alta acurácia. Nos dados do hospital de origem, seu desempenho foi excelente e se manteve bem na validação interna. Para verificar se se generalizaria além de um único centro, a equipe construiu uma plataforma online e coletou prospectivamente dados de sete hospitais adicionais na província de Zhejiang no início de 2025. Entre 308 crianças com seguimento claro ou confirmação cirúrgica, o ABSeD novamente mostrou resultados fortes, sinalizando com precisão a maioria das crianças com sepse abdominal e mantendo alta precisão — isto é, quando alertava para sepse, geralmente estava certo. O sistema também mostra como cada um dos nove marcadores influencia o julgamento do modelo, oferecendo aos médicos uma visão transparente em vez de uma “caixa preta” misteriosa.

Do modelo de pesquisa ao auxílio à beira do leito

Para tornar o trabalho utilizável na prática cotidiana, os autores criaram uma interface web onde os clínicos inserem a idade da criança, informações básicas e os nove valores laboratoriais. A ferramenta retorna uma pontuação de risco e uma decomposição visual clara de quais medidas conduziram ao resultado, ajudando os médicos a decidir se devem intensificar o cuidado, solicitar imagens ou proceder à cirurgia. O estudo enfatiza tanto as promessas quanto os limites do modelo: ele se destina a crianças que já têm suspeita de doença abdominal, não para rastreamento universal, e até agora foi testado apenas dentro de uma região e de um contexto étnico. Ainda assim, a ferramenta ABSeD demonstra como inteligência artificial cuidadosamente construída e explicável pode transformar exames laboratoriais comuns em um sistema de alerta precoce, potencialmente salvando vidas ao identificar a sepse abdominal fatal antes que seja tarde demais.

Citação: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

Palavras-chave: sepse pediátrica, infecção abdominal, aprendizado de máquina, diagnóstico precoce, suporte à decisão clínica