MACHINE LEARNING PARA PREDIÇÃO DE ÓBITO DE PACIENTES COM ENDOCARDITE INFECCIOSA

A endocardite infecciosa (EI) é uma doença de alta letalidade que se caracteriza por um processo infeccioso das válvulas cardíacas. A utilização de algoritmos de ML como ferramenta de predição de óbito nos portadores de EI pode auxiliar a estratificar pacientes com alto risco. Foram analisados dados de uma coorte retrospectiva, composta por 957 pacientes com endocardite infecciosa de um hospital de São Paulo, dividida em dois grupos: grupo A - pacientes com idade inferior a 60 anos e grupo B - pacientes com idade superior a 60 anos. Foram desenvolvidos algoritmos de ML com o objetivo de predizer o risco de óbito nesses pacientes. As variáveis utilizadas para desenvolver os modelos de predição incluíram histórico de saúde prévio e dados de exames laboratoriais. Nas duas análises, os pacientes foram divididos aleatoriamente em dois grupos, em que 70% constituíram o grupo de treinamento e 30% o grupo de teste. Foi avaliada a performance preditiva dos algoritmos XGBoost, LightGBM, CatBoost e Random Forest. O modelo com o melhor desempenho preditivo nos dois grupos foi o algoritmo CatBoost, apresentando para o grupo A uma AUC de 0,74, acurácia de 0,82 e sensibilidade de 0,11, e para o grupo B uma AUC de 0,73, acurácia de 0,71 e sensibilidade de 0,31. Foi também aplicada a técnica Shapley Additive exPlanations (SHAP) para avaliar quais variáveis tiveram o maior impacto no desfecho. Os resultados apontam para a possibilidade de construção de modelos que possam predizer precocemente o risco de mortalidade em pacientes com endocardite infecciosa.