60-hours Sepsis Prediction in ICU Patients

• Alícia Marzola Chaves UFMG
• João M. F. Santos UFMG
• Letícia Ribeiro Miranda UFMG
• Alexandre G. Barros UFMG
• Wagner Meira Jr. UFMG
• Gisele Pappa UFMG

DOI: https://doi.org/10.5753/eniac.2024.245285

Resumo

O presente estudo explora o uso de técnicas simples de aprendizado de máquina para prever o desenvolvimento de sepse em pacientes internados na unidade de tratamento intensivo (UTI). Utilizando dados no intervalo de 06 horas antes da admissão na UTI até 06 horas após a internação, analisando 26 atributos dos pacientes que atendiam os critérios para predição de sepse e balanceando o número de casos sépticos e não sépticos para evitar que o modelo tornasse enviesado, os métodos implementados foram capazes de prever as pessoas que adquiriram sepse nas primeiras 60 horas depois do período supracitado. Apesar do elevado número de dados faltantes e a alta taxa de falsos negativos, os resultados dessas análises são importantes para a implementação de cuidados preventivos e para as possibilidades de melhoria contínua do modelo.

Palavras-chave: Inteligência Artificial, Sepse, UTI

Referências

Ahmed, A., Liu, J., & Zhang, Z. (2023). Improving the Timeliness of Early Prediction Models for Sepsis through Utility Optimization. IEEE.

Cunha, B. A. (2008). Sepsis and septic shock: selection of empiric antimicrobial therapy. Critical Care Clinics, 24(2), 313-334, ix.

eICU Collaborative Research Database. Disponível em: [link]. Acesso em: 28 agosto de 2024.

Fleischmann, C., Scherag, A., Adhikari, N. K. J., Hartog, C. S., Tsaganos, T., Schlattmann, P., ... & Reinhart, K. (2016). Assessment of Global Incidence and Mortality of Hospital-treated Sepsis. Current Estimates and Limitations. American Journal of Respiratory and Critical Care Medicine, 193(3), 259-272.

Henry, K. E., Hager, D. N., Pronovost, P. J., & Saria, S. (2015). A targeted real-time early warning score (TREWScore) for septic shock. Science Translational Medicine, 7(299), 299ra122.

Kieft, H., Hoepelman, A. I. M., Zhou, W., Rozenberg-Arska, M., Struyvenberg, A., & Verhoef, J. (1993). The sepsis syndrome in a Dutch University Hospital. Clinical observations. Archives of Internal Medicine.

Kumar, A., Roberts, D., Wood, K. E., Light, B., Parrillo, J. E., Sharma, S., ... & Cheang, M. (2006). Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Critical Care Medicine, 34(6), 1589-1596.

Liu, C., Feng, S., & Luo, J. (2022). Sepsis Detection using Neural Networks. IEEE.

Liu, V. X., Fielding-Singh, V., Greene, J. D., Baker, J. M., Iwashyna, T. J., Bhattacharya, J., & Escobar, G. J. (2017). The Timing of Early Antibiotics and Hospital Mortality in Sepsis. American Journal of Respiratory and Critical Care Medicine, 196(7), 856-863.

Morley, P., Wang, Y., & Zhao, Z. (2021). Exploring Features Contributing to the Early Prediction of Sepsis Using Machine Learning. IEEE.

Nahar, A., Hemanth, K. S., & Abirami, G. (2020). Early Detection of Sepsis Using Feature Selection, Feature Extraction, and Neural Network Classification. IEEE.

Singer, M., Deutschman, C. S., Seymour, C. W., Shankar-Hari, M., Annane, D., Bauer, M., ... & Angus, D. C. (2016). The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA, 315(8), 801-810.

Wang, J., Li, Q., & Yuan, H. (2023). Early Prediction of Sepsis using Time Series Forecasting. IEEE.

World Health Organization. Guidelines on the Clinical Management of Sepsis. Disponível em: [link]. Acesso em: 28 de agosto de 2024.

Zhang, X., & Chen, Y. (2022). A Xgboost Based Algorithm For Early Prediction Of Human Sepsis. IEEE.