Previsão do início da sepse na UTI usando modelos de aprendizado de máquina: uma revisão sistemática e metanálise

Resumo
Contexto: A sepse é uma condição que coloca a vida em risco em decorrência de uma resposta anormal do corpo à infecção e impõe uma carga econômica e de saúde significativa em todo o mundo devido à sua alta taxa de mortalidade. O reconhecimento precoce da sepse é crucial para um tratamento eficaz. O objetivo deste estudo foi avaliar sistematicamente o desempenho de vários modelos de aprendizado de máquina na previsão do início da sepse.
Métodos: Realizamos uma pesquisa abrangente nos bancos de dados Cochrane Library, PubMed, Embase e Web of Science, abordando estudos desde o início do banco de dados até 14 de novembro de 2022. Utilizamos a ferramenta PROBAST para avaliar o risco de viés. Calculamos o desempenho preditivo para o início da sepse usando o índice C e a precisão. As diretrizes do PRISMA foram seguidas para este estudo.
Resultados: Foram incluídos 23 estudos elegíveis com um total de 4.314.145 pacientes e 26 modelos diferentes de aprendizado de máquina. Os modelos mais utilizados nos estudos foram os modelos floresta aleatória (Random forest) (n = 9), extreme gradient boost (n = 7) e regressão logística (n = 6). Os modelos floresta aleatória (conjunto de testes n = 9, acc = 0,911) e extreme gradient boost (conjunto de testes n = 7, acc = 0,957) foram os mais precisos com base em nossa análise do desempenho preditivo. Em termos do resultado do índice C, os modelos floresta aleatória (n = 6, acc = 0,79) e extreme gradient boost (n = 7, acc = 0,83) apresentaram o melhor desempenho.
Conclusão: O aprendizado de máquina provou ser uma ferramenta eficaz para prever a sepse em estágio inicial. No entanto, para obter resultados mais precisos, são necessários métodos adicionais de aprendizado de máquina. Em nossa pesquisa, descobrimos que os modelos XGBoost e floresta aleatória apresentaram o melhor desempenho preditivo e foram utilizados com mais frequência para prever o início da sepse.
 

Abstract
Background: Sepsis is a life-threatening condition caused by an abnormal response of the body to infection and imposes a significant health and economic burden worldwide due to its high mortality rate. Early recognition of sepsis is crucial for effective treatment. This study aimed to systematically evaluate the performance of various machine learning models in predicting the onset of sepsis.
Methods: We conducted a comprehensive search of the Cochrane Library, PubMed, Embase, and Web of Science databases, covering studies from database inception to November 14, 2022. We used the PROBAST tool to assess the risk of bias. We calculated the predictive performance for sepsis onset using the C-index and accuracy. We followed the PRISMA guidelines for this study.
Results: We included 23 eligible studies with a total of 4,314,145 patients and 26 different machine learning models. The most frequently used models in the studies were random forest (n = 9), extreme gradient boost (n = 7), and logistic regression (n = 6) models. The random forest (test set n = 9, acc = 0.911) and extreme gradient boost (test set n = 7, acc = 0.957) models were the most accurate based on our analysis of the predictive performance. In terms of the C-index outcome, the random forest (n = 6, acc = 0.79) and extreme gradient boost (n = 7, acc = 0.83) models showed the highest performance.
Conclusion: Machine learning has proven to be an effective tool for predicting sepsis at an early stage. However, to obtain more accurate results, additional machine learning methods are needed. In our research, we discovered that the XGBoost and random forest models exhibited the best predictive performance and were most frequently utilized for predicting the onset of sepsis.