Lactato como preditor de mortalidade em recém-nascidos pré-termo de extremo baixo usando inteligência artificial (2022)
- Authors:
- Autor USP: MATSUSHITA, FELIPE YU - FM
- Unidade: FM
- DOI: 10.11606/T.5.2022.tde-18042023-111342
- Subjects: ÁCIDO LÁCTICO; APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; MORTALIDADE; RECÉM-NASCIDO
- Keywords: Artificial intelligence; Machine learning; Mortality; Newborn; Preterm
- Language: Português
- Abstract: Introdução: A mortalidade neonatal representa o maior componente da mortalidade infantil. Portanto, modelos preditivos para prever o risco de óbito em neonatos são altamente recomendados, especialmente entre recém-nascidos pré-termo. Apesar da relevância do tema, há poucos modelos utilizando critérios objetivos para avaliar o risco de óbito em tempo real nesta população. Objetivo: Avaliar a utilidade do lactato sérico como preditor de mortalidade em recém-nascidos pré-termo com peso de nascimento inferior a 1000 gramas. Métodos: Estudo de coorte retrospectivo, analisando recém-nascidos pré-termo com peso de nascimento menor que 1000 gramas admitidos em unidade de terapia intensiva neonatal terciária de centro único em São Paulo, Brasil, no período de seis anos. Foram incluídos todos os recém-nascidos com peso de nascimento < 1000 g, com pelo menos uma gasometria arterial com dosagem simultânea de lactato sérico coletados durante a internação. Foram excluídos os recém-nascidos que faleceram em sala de parto, recém-nascidos portadores de malformação maior e aqueles transferidos para outro serviço antes da alta. Foram utilizadas técnicas de inteligência artificial, com análise dos parâmetros preditivos através de algoritmos de Machine Learning. As variáveis analisadas foram gasometria arterial (pH, pCO2, HCO3 e base excess), lactato sérico e características clínicas (peso, idade gestacional, pequeno para a idade gestacional, escore CRIB II, sexo feminino, Apgar, via de parto,gemelaridade, corticóide antenatal, intubação endotraqueal na sala de parto, necessidade de epinefrina na sala de parto, corioamnionite e menor temperatura nas primeiras 12 horas de vida). Foi comparada a performance de três métodos diferentes de Machine Learning, para avaliar o risco de óbito em 24 horas: Regressão Logística, Extreme Gradient Boosting e AutoML Tables. Os dados foram randomicamente divididos em dois subgrupos: um subgrupo de treinamento (80%) para aperfeiçoamento de hiperparametros para criação de um modelo plausível e um subgrupo de teste (20%) para avaliar a performance do modelo. Após a determinação dos hiperparametros ideais foram calculados os valores de precisão, a área sob a curva (ROC), recall e acurácia. Todas as análises foram realizadas usando Python versão 3.6.9 e Google Cloud Platform. Resultados: Foram incluídos 257 neonatos. A mediana da idade gestacional foi de 27,1 (26 29,1) semanas e a mediana do peso ao nascer foi de 746 (600 880) gramas. Houve 1.932 amostras de gasometria com níveis séricos de lactato correspondentes. O modelo Extreme Gradient Boosting com lactato obteve a maior área sob a curva (0.898). Base excesso, lactato e pH foram, em ordem de importância, as variáveis mais importantes associadas a mortalidade em 24 horas. Conclusão: Em recém-nascidos pré-termo de extremo baixo peso, a incorporação de medidas de lactato e gasometria arterial em modelos preditivos de mortalidade pode melhorar a estratificação de risco em temporeal. Os modelos tradicionais de classificação logística parecem ser superados pelos algoritmos de aprendizado de máquina. Demonstramos que os modelos de algoritmos de aprendizado de máquina Extreme Gradient Boosting pode ser ferramenta de apoio importante na tomada de decisões mais precisas e rápidas e na estratificação de risco clínico em unidade de terapia intensiva neonatal
- Imprenta:
- Data da defesa: 05.12.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MATSUSHITA, Felipe Yu. Lactato como preditor de mortalidade em recém-nascidos pré-termo de extremo baixo usando inteligência artificial. 2022. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/5/5141/tde-18042023-111342/. Acesso em: 10 jun. 2024. -
APA
Matsushita, F. Y. (2022). Lactato como preditor de mortalidade em recém-nascidos pré-termo de extremo baixo usando inteligência artificial (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/5/5141/tde-18042023-111342/ -
NLM
Matsushita FY. Lactato como preditor de mortalidade em recém-nascidos pré-termo de extremo baixo usando inteligência artificial [Internet]. 2022 ;[citado 2024 jun. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5141/tde-18042023-111342/ -
Vancouver
Matsushita FY. Lactato como preditor de mortalidade em recém-nascidos pré-termo de extremo baixo usando inteligência artificial [Internet]. 2022 ;[citado 2024 jun. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/5/5141/tde-18042023-111342/
Informações sobre o DOI: 10.11606/T.5.2022.tde-18042023-111342 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
