Aprendizado de máquina prevê trajetórias de piora na sepse

Por que isso importa para pacientes e familiares

A sepse é uma complicação comum e frequentemente fatal de infecções na unidade de terapia intensiva, e sua evolução pode mudar rapidamente. Familiares e clínicos enfrentam dificuldades para saber quais pacientes vão se recuperar e quais estão caminhando para insuficiência orgânica com risco de vida. Este estudo investiga se algoritmos de computador podem ler padrões nos dados à beira do leito para prever para onde a doença de um paciente está caminhando horas antes de isso se tornar óbvio, abrindo uma janela para cuidados mais precoces e direcionados.

Diferentes caminhos de recuperação e declínio

Os pesquisadores analisaram prontuários de quase 48.000 adultos com sepse tratados em unidades de terapia intensiva na China e em grandes bases de dados hospitalares dos Estados Unidos. Eles observaram como os escores de função orgânica e os sinais vitais mudaram ao longo do tempo, em vez de olhar apenas para instantâneos isolados. Usando ferramentas estatísticas, descobriram que os pacientes tendiam a seguir três trajetórias amplas após a chegada à UTI: recuperação rápida, recuperação lenta ou deterioração clínica contínua. Essas trajetórias não eram meras etiquetas; refletiam diferenças claras em idade, doenças pré‑existentes, lesão de órgãos e sobrevida. Pacientes na trajetória de deterioração eram mais velhos, tinham mais doenças crônicas e apresentavam aumento dos escores de falência orgânica e necessidade crescente de ventilação mecânica e de drogas para pressão arterial.

Observando o ritmo do corpo

Além de valores médios como pressão arterial ou frequência cardíaca, a equipe se concentrou em quanto esses sinais variavam ao longo do tempo. Eles descobriram que o “tremer” da frequência cardíaca, conhecido como variabilidade da frequência cardíaca, carregava pistas importantes. Pacientes cujo padrão de frequência cardíaca se tornava excessivamente estável, com pouca variabilidade natural, tinham mais que o dobro do risco de morrer em 28 dias do que aqueles que mantinham um ritmo mais flexível, mesmo após ajustar para idade e gravidade da doença. Efeitos semelhantes, embora menores, foram observados para oscilações na pressão arterial e na frequência respiratória. Essas descobertas sustentam a ideia de que um corpo saudável apresenta ritmos ricos e adaptáveis, e que a perda dessa complexidade pode avisar de um colapso iminente antes que os sinais tradicionais apareçam.

Ensinando computadores a identificar perigo cedo

Para transformar esses padrões em uma ferramenta prática, os pesquisadores construíram um modelo ensemble de aprendizado de máquina, um tipo de programa avançado que combina vários métodos de previsão. Ele usou tanto informações de linha de base, como idade e tipo de infecção, quanto características dinâmicas como tendências, declives e variabilidade de sinais vitais e exames laboratoriais. O modelo foi treinado em um hospital, depois testado em um grupo posterior de pacientes e em duas grandes bases de dados públicas de UTI. Ele distinguiu com precisão os pacientes que posteriormente se deteriorariam daqueles que não se deterioraram, com bom desempenho em diferentes hospitais, tipos de infecção e faixas etárias. Em média, avisou sobre a deterioração cerca de 18 horas antes de ela ocorrer, e suas estimativas de risco corresponderam bem aos desfechos reais.

Impacto na prática clínica

A equipe então incorporou o modelo em um sistema de apoio à decisão à beira do leito que classificou os pacientes em grupos de baixo, moderado e alto risco com base em sua trajetória prevista. Os clínicos seguiram planos de resposta padronizados para cada nível, como monitoramento mais próximo ou tratamento mais agressivo para aqueles sinalizados como propensos a piorar. Após ajustar diferenças entre pacientes, aqueles atendidos com o suporte do sistema passaram quase dois dias a menos na UTI, necessitaram de ventilação mecânica por cerca de dois dias a menos e tiveram uma probabilidade 5,7% menor de morrer em 28 dias comparados a pacientes semelhantes tratados antes do uso do sistema. Os benefícios foram maiores para os pacientes do grupo intermediário de “recuperação lenta”, que pareciam mais propensos a ser desviados da deterioração por intervenções mais precoces.

O que isso significa para o futuro

Este estudo sugere que acompanhar como a condição de um paciente com sepse muda ao longo do tempo, e especialmente como os ritmos cardíaco e circulatório perdem flexibilidade, pode ajudar os computadores a prever quem está caminhando para o perigo. Quando combinadas com protocolos claros à beira do leito, essas previsões se associaram a estadias mais curtas na UTI, menos tempo em ventiladores e menos mortes. Embora o trabalho ainda precise ser testado em ensaios randomizados e em mais sistemas de saúde, indica um futuro em que ferramentas de monitoramento inteligentes e transparentes ajudam os clínicos a passar de reagir a crises para antecipá‑las e preveni‑las.

Citação: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

Palavras-chave: sepse, aprendizado de máquina, monitoramento na UTI, variabilidade da frequência cardíaca, piora clínica