Abordagens e eficácia da inteligência artificial na predição de fatores de risco para sepse neonatal
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
Objetivo: Identificar abordagens e eficácia da Inteligência Artificial (IA) na predição de fatores de risco para sepse neonatal. Métodos: Trata-se de uma revisão integrativa, realizada nas bases de dados PubMed, Scopus, Web of Science e IEEE, por meio dos seguintes descritores: “neonatal sepsis”, “intensive care units, neonatal”, “artificial intelligence”, “machine learning” e “deep learning”. Foram incluídos estudos publicados entre 2014 a 2024 que incluíam sepse neonatal em unidades de terapia intensiva. Resultados: A amostra final consistiu em 06 artigos, com uma concentração mais elevada de publicações em 2021. A maioria dos estudos foi conduzida no EUA, e os designs de pesquisa predominantes foram estudos de coorte retrospectivo. Verificou-se que os modelos de IA, como Random Forest, SVM e Regressão Logística, são eficazes na predição de fatores de risco críticos para sepse neonatal, permitindo intervenções clínicas mais precoces e precisas, o que pode melhorar significativamente os desfechos clínicos em neonatos vulneráveis. Considerações finais: Esta revisão destaca o impacto dos modelos de IA na predição de sepse neonatal, mostrando seu potencial para intervenções clínicas antecipadas. No entanto, futuras pesquisas devem focar na validação externa e na integração cuidadosa desses modelos na prática clínica.
##plugins.themes.bootstrap3.article.details##
Copyright © | Todos os direitos reservados.
A revista detém os direitos autorais exclusivos de publicação deste artigo nos termos da lei 9610/98.
Reprodução parcial
É livre o uso de partes do texto, figuras e questionário do artigo, sendo obrigatória a citação dos autores e revista.
Reprodução total
É expressamente proibida, devendo ser autorizada pela revista.
Referências
2. BARTZ-KURYCKI MA, et al. Enhanced neonatal surgical site infection prediction model utilizing statistically and clinically significant variables in combination with a machine learning algorithm. Am. J. Surg., 2018; 216: 764-77.
3. BRASIL. Ministério da Saúde (MS). Lei no 9.610, de 19 de fevereiro de 1998, que altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Diário Oficial da União. Brasília: Ministério da Saúde, 1998.
4. BOETTIGER M, et al. Nurses’ early recognition of neonatal sepsis. J Obstet Gynecol Neonatal Nurs., 2017; 46(6): 834-845.
5. BURDICK H, et al. Validation of a machine learning algorithm for early severe sepsis prediction: a retrospective study predicting severe sepsis up to 48 h in advance using a diverse dataset from 461 US hospitals. BMC Med. Inform. Decis. Mak., 2020; 20: 1-10.
6. CABRERA-QUIROS L, et al. Prediction of Late-Onset Sepsis in Preterm Infants Using Monitoring Signals and Machine Learning. Crit Care Explor., 2021; 3(1): e0302.
7. CAMARGO JF, et al. Sepse neonatal precoce: prevalência, complicações e desfechos em recém-nascidos com 35 semanas ou mais de idade gestacional. Rev. paul. Pediatr., 2022; 40: e2020388.
8. COGGINS SA, et al. Updates in Late-Onset Sepsis: Risk Assessment, Therapy, and Outcomes. Neoreviews, 2022; 23(11): 738-755.
9. DELANEY RM, et al. The immune system. In: Jnah AJ, Trembath AN, eds. Fetal and Neonatal Physiology for the Advanced Practice Nurse. New York, NY: Springer Publishing Company, 2019; 267-306.
10. DONG Y, et al. Late-onset sepsis caused by gramnegative bacteria in very low birthweight infants: a systematic review. Expert Rev Anti Infect Ther., 2019; 17(3): 177-88.
11. FLEUREN LM, et al. Machine learning for the prediction of sepsis: A systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Med., 2020; 46:383–400.
12. GIANNINI HM. A machine learning algorithm to predict severe sepsis and septic shock: Development, implementation, and impact on clinical practice. Crit. Care Med., 2019; 47: 1485-92.
13. HELGUERA-REPETTO AC, et al. Neonatal sepsis diagnosis decision-making based on artificial neural networks. Front Pediatr., 2020; 8: 525.
14. HUANG B, et al. Aiding clinical assessment of neonatal sepsis using hematological analyzer data with machine learning techniques. Int J Lab Hematol., 2021; 43(6): 1341-56.
15. LANGSETMO L, et al. Advantages and Disadvantages of Random Forest Models for Prediction of Hip Fracture Risk Versus Mortality Risk in the Oldest Old. JBMR Plus, 2023; 7(8): e10757.
16. OLIVEIRA SG, et al. Septicemia bacteriana do recém-nascido no brasil nos anos de 2013 a 2017. Brazilian Journal of Health Review, 2017; 3(2): 1404–1421.
17. MANI S, et al. Medical decision support using machine learning for early detection of late-onset neonatal sepsis. J. Am. Med. Inform. Assoc., 2014; 21: 326-36.
18. MASINO AJ, et al. Machine learning models for early sepsis recognition in the neonatal intensive care unit using readily available electronic health record data. PLoS One, 2019; 14(2): e0212665.
19. MCHUGH ML. Interrater reliability: the kappa statistic. Biochemia Medica, 2012; 22(3): 276-82.
20. PARVIN S, et al. Analysis of machine learning and deep learning prediction models for sepsis and neonatal sepsis: A systematic review. ICT Express, 2023; 9(6): 1215-25.
21. PUOPOLO KM, et al. Management of neonates born at ≥35 0/7 weeks’ gestation with suspected or proven early-onset bacterial sepsis. Pediatrics, 2018; 142(6): e20182894.
22. RAYMOND SL, et al. Immunological Defects in Neonatal Sepsis and Potential Therapeutic Approaches. Front Pediatr., 2017; 5: 14.
23. REYNA MA, et al. Early prediction of sepsis from clinical data: The PhysioNet/Computing in cardiology challenge 2019. Crit. Care Med., 2019; 210-17.
24. RUSSELL N, et al. Early-versus late-onset sepsis in neonates - time to shift the paradigm? Clin Microbiol Infect., 2024; 30(1): 38-43.
25. SCHOBER P, et al. Logistic Regression in Medical Research. Anesth Analg., 2021; 132(2): 365–366.
26. SAHU P, et al. Prediction modelling in the early detection of neonatal sepsis. World J. Pediatr., 2022; 18: 160-75.
27. SHANE AL, et al. Neonatal sepsis. Lancet, 2017; 390(10104): 1770-80.
28. SOUZA MT, et al. Integrative review: what is it? How to do it? Einstein, 2010; 8(1): 102-6.
29. SOKOU R, et al. Development and validation of a sepsis diagnostic scoring model for neonates with suspected sepsis. Front Pediatr., 2022; 10: 1004727.
30. STILLWELL S, et al. Evidence– based practice: step by step. Am J Nurs, 2010; 110(5): 41-7.
31. TANERI PE, et al. Outcomes of interventions in neonatal sepsis: A systematic review of qualitative research. Int J Gynaecol Obstet., 2024.
32. VERSTRAETE EH, et al. Prediction models for neonatal health care-associated sepsis: A meta-analysis. Pediatrics, 2015; 135: e1002–e1014.
33. WYNN JL. Defining neonatal sepsis. Curr Opin Pediatr., 2016; 28(2): 135-40.