Sobrevivência na unidade de terapia intensiva: um modelo de prognóstico baseado em classificadores bayesianos

Desenvolvemos um modelo preditivo de prognóstico para apoiar especialistas médicos em seu processo de tomada de decisões clínicas em Unidades de Terapia Intensiva (UTIs), a fim de (a) melhorar a previsão de mortalidade precoce, (b) tomar decisões clínicas mais eficientes sobre pacientes de maior risco e (c) avaliar a efetividade de novos tratamentos ou detectar mudanças na prática clínica. Trata-se de um modelo hierárquico de inteligência artificial baseado em classificadores bayesianos elaborados a partir de certas características registradas em uma coorte de UTI do mundo real. Seu objetivo é realizar a avaliação do risco de mortalidade, prevendo também o destino na alta da UTI se o paciente sobreviver ou então a causa da morte. O modelo foi elaborado pela conjunção de cinco classificadores bayesianos de base, usando o critério de conjunto médio com ponderação, que chamamos de Média Ponderada do Conjunto (Ensemble Weighted Average, EWA). Comparamos a EWA com outros modelos preditivos de inteligência artificial de última geração. Nossos resultados mostram que a EWA supera seus concorrentes, apresentando ainda a vantagem de utilizar o critério de maioria de votos, permitindo associar um nível de confiança às previsões feitas. Também demonstramos a conveniência de poder recalibrar o modelo localmente a partir dos dados usados pelo modelo-padrão para prever o risco de mortalidade com base na pontuação APACHE II, ainda que, como modelo preditivo, seja mais fraco que o outro.

We develop a predictive prognosis model to support medical experts in their clinical decision-making process in Intensive Care Units (ICUs) (a) to enhance early mortality prediction, (b) to make more efficient medical decisions about patients at higher risk, and (c) to evaluate the effectiveness of new treatments or detect changes in clinical practice. It is a machine learning hierarchical model based on Bayesian classifiers built from some recorded features of a real-world ICU cohort, to bring about the assessment of the risk of mortality, also predicting destination at ICU discharge if the patient survives, or the cause of death otherwise, constructed as an ensemble of five base Bayesian classifiers by using the average ensemble criterion with weights, and we name it the Ensemble Weighted Average (EWA). We compare EWA against other state-of-the-art machine learning predictive models. Our results show that EWA outperforms its competitors, presenting in addition the advantage over the ensemble using the majority vote criterion of allowing to associate a confidence level to the provided predictions. We also prove the convenience of locally recalibrate from data the standard model used to predict the mortality risk based on the APACHE II score, although as a predictive model it is weaker than the other.