Estratégias de machine learning para predição de mortalidade em traumatismo cranioencefálico: uma revisão sistemática da literatura

• Autor(a) principal: Arthur Afonso Silva-Sousa
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/57467
• topic: Traumatismo cranioencefálico; Mortalidade; Machine learning; Revisão sistemática; Neurociências; Traumatismos Craniocerebrais; Mortalidade; Aprendizado de Máquina; Revisão Sistemática

O traumatismo cranioencefálico (TCE) tem sido reconhecido como uma das principais causas de morbimortalidade em todo o mundo, sendo considerado uma epidemia silenciosa. Considera-se uma variedade de causas de TCE, tais como quedas, acidentes automobilísticos, assaltos e agressões. Apesar de intensos investimentos, ainda não possui um tratamento aprovado para mitigar os danos provocados por lesões secundárias de TCE, sendo a prevenção o melhor tratamento atualmente. Com o avanço tecnológico, técnicas de machine learning (ML) têm sido utilizadas na área da saúde para predições de desfecho e auxílio em tomadas de decisões terapêuticas, por exemplo, risco de mortalidade em vítimas de TCE. Contudo, na mesma medida em que há significativo desenvolvimento de técnicas de ML para este fim, não há consenso sobre quais estratégias apresentam melhor desempenho para prever a mortalidade. A partir do exposto, o objetivo do presente trabalho foi realizar uma revisão sistemática acerca das produções científicas que utilizam técnicas de machine learning para predição de mortalidade decorrentes de TCE. Para este fim, a pergunta de pesquisa foi formulada a partir da estratégia PICO (Pessoa, Intervenção, Comparação, Outcome), tendo como critérios de inclusão artigos científicos publicados em revistas indexadas na Biblioteca Virtual em Saúde (BVS) e na National Library of Medicine (PubMed), escritos em inglês, português e espanhol, que tivessem mortalidade como um dos desfechos do estudo. Foram excluídos estudos com modelos animais, com foco em análises moleculares e artigos que não foram encontrados para leitura na íntegra. A coleta de dados ocorreu em abril de 2022, por dois pesquisadores independentes e, para as análises, foi construído um protocolo específico para este estudo. Dos 1181 estudos encontrados, 26 atenderam aos critérios de elegibilidade e foram incluídos para análise nesta revisão. O maior número de publicações se deu entre os países dos Tigres Asiáticos (n=7, 26,9%), com estudos retrospectivos (n=16, 61,5%) e amostra de adultos (n=19, 73,1%). A média geral de idade foi de 47,8 anos, apresentando predominância do sexo masculino entre as vítimas de TCE e as principais causas foram acidente de trânsito, queda e objeto atingindo a cabeça. As principais variáveis que predisseram mortalidade foram idade e resposta pupilar (n=10, 9,4%) e baixos escores na escala de coma de Glasgow (n=9, 8,5%). Foram encontrados 59 algoritmos de machine learning, sendo os que apresentaram melhor desempenho Artificial Neural Networks, Support Vector Machine, e Random Forest, especialmente se comparados com o algoritmo tradicional de regressão logística. A partir dos resultados obtidos, pode-se concluir, preliminarmente, que as estratégias de ML são uma ferramenta útil e eficaz para predição de mortalidade em TCE, favorecendo a tomada de decisão clínica. Como perspectiva deste estudo, propõe-se a avaliação de risco de viés, atualização da busca, incluindo o descritor inteligência artificial e realização de meta-análise, segundo permitam os dados.