🤖 IA & Tecnologia

XAI para Sepse e Mortalidade em UTI — Revisão Sistemática (A

Modelos de IA explicável (XAI) aplicados à predição de sepse e mortalidade em UTI apresentam alta acurácia (AUC > 0,85) e identificam indicadores clínicos chave como frequência respiratória, GCS, BUN, débito urinário e MAP, aumentando a confiança dos intensivistas; embora a maioria dos estudos seja retrospectiva, recomenda‑se priorizar ferramentas com SHAP/LIME, validar externamente e integrar exp

IA & Tecnologia 📄 Resumo de estudo 🏥 UTI / Emergência

§ 01

Visão geral

§ 02

📄 Identificação

Título: Explainable AI for critical care: a systematic review of interpretable models for sepsis and ICU mortality prediction

Autores: V. S. Athukorala; W. M. K. S. Ilmini

Periódico: BMC Medical Informatics and Decision Making | Ano: 2026 | DOI: 10.1186/s12911-026-03344-0

Tipo de Estudo: Revisão Sistemática

§ 03

🎯 Mensagem Principal

Modelos de inteligência artificial explicável (XAI) aplicados à predição de sepse e mortalidade em UTI mantêm alta acurácia preditiva (AUC > 0,85) enquanto revelam indicadores clinicamente relevantes — como frequência respiratória, BUN, débito urinário e GCS — que aumentam a confiança do intensivista e facilitam a adoção na prática. Apesar dos avanços, a maioria dos estudos é retrospectiva, com validação prospectiva e integração em fluxos clínicos reais ainda insuficientes.

§ 04

📊 Visão Geral

Aspecto	Detalhe
Objetivo	Investigar como a IA explicável pode melhorar a acurácia preditiva e a interpretabilidade de modelos para predição de sepse e mortalidade em UTI
População	43 estudos publicados entre 2020–2025; coortes de 4.500 a 14.500 pacientes adultos de UTI
Intervenção	Técnicas de XAI (SHAP, LIME, Grad-CAM, análise de sensibilidade) aplicadas a modelos de ML/DL
Desfecho Primário	Desempenho preditivo (AUC) e interpretabilidade dos modelos
Conclusão	Modelos com XAI atingem AUC consistentemente > 0,84, identificam features clinicamente significativas e podem ser adaptados a ambientes com recursos limitados

§ 05

🔬 Metodologia

Desenho do Estudo

Tipo: Revisão sistemática seguindo diretrizes PRISMA 2020

Período de busca: Janeiro 2020 a Janeiro 2025

Bases consultadas: ResearchGate, IEEE Xplore, Scopus, Web of Science, Google Scholar

Processo de Seleção

Registros identificados: 100

Duplicatas removidas: 10

Triagem por título/abstract: 90 → 47 excluídos

Avaliação de texto completo: 43 → todos incluídos na síntese qualitativa

Critérios de Inclusão

Sepse, sepse grave ou choque séptico (definição Sepsis-3 ou equivalente)

Uso de técnicas de XAI/ML interpretável (SHAP, LIME, Grad-CAM, feature importance)

Predição de sepse, readmissão em UTI ou mortalidade hospitalar

Datasets de UTI ou EHR (MIMIC-III/IV, Emory, UCSD, Ruijin Hospital)

Artigos em inglês, peer-reviewed, 2020–2025

Critérios de Exclusão

UTI pediátrica ou neonatal

Sem definição clara de sepse ou horizonte de desfecho

Modelos "caixa-preta" sem interpretabilidade

Tarefas não-UTI ou não relacionadas

Avaliação de Qualidade

Ferramenta: PROBAST (4 domínios: Participantes, Preditores, Desfechos, Análise)

Revisores: 2 independentes, discrepâncias resolvidas por consenso

§ 06

📈 Resultados Principais

Desempenho Preditivo por Tipo de Validação

Tipo de Validação	Exemplo	AUC	Observação
Interna (k-fold CV)	Extra Trees para mortalidade por sepse	0,87	Consistente entre folds
Interna (train-test)	XGBoost no MIMIC-IV para sepse precoce	0,89	Melhor AUC reportada
Externa (multi-centro)	ML interpretável (Li et al.)	0,81 (ext) / 0,87 (int)	Queda esperada na validação externa
Interna (Random Forest)	Zhang et al. no MIMIC-IV	0,94	AUC mais alta reportada

Top 5 Features Preditivas

Rank	Feature	Sigla	Relevância Clínica
1	Frequência Respiratória	RR	Marcador precoce de deterioração
2	Escala de Coma de Glasgow	GCS	Status neurológico / encefalopatia séptica
3	Ureia Nitrogenada Sanguínea	BUN	Disfunção renal
4	Débito Urinário	—	Perfusão renal / ressuscitação volêmica
5	Pressão Arterial Média	MAP	Instabilidade hemodinâmica

Métodos de Interpretabilidade

Método XAI	Frequência	Aplicação
SHAP	Mais utilizado (>70%)	Atribuição global e local de features
LIME	Moderada	Explicações locais modelo-agnósticas
Grad-CAM	Selecionada	Visualização em redes neurais
Análise de sensibilidade	Selecionada	Robustez das predições
Feature Importance	Moderada	Ranking de variáveis em modelos de árvore

Modelos Mais Utilizados

Modelo	Tarefas Principais	AUC Típica
XGBoost	Predição precoce de sepse, mortalidade	0,85–0,89
Random Forest	Prognóstico de sepse, mortalidade hospitalar	0,84–0,94
Ensemble ML + PSO	Onset de sepse e mortalidade	0,88
DNN	Detecção de sepse	0,85
ML Interpretável	Risco de sobreviventes, encefalopatia séptica	0,85–0,87

§ 07

💡 Pontos de Destaque

✅ Forças

Revisão abrangente com 43 estudos, seguindo PRISMA 2020

Avaliação de risco de viés via PROBAST

Síntese comparativa de múltiplos métodos de XAI

Discussão sobre transferibilidade e aplicabilidade em países de baixa/média renda

⚠️ Limitações

Maioria retrospectiva baseada em datasets únicos (MIMIC-III/IV)

Sem padronização nas métricas de interpretabilidade

Pouquíssimos estudos com validação prospectiva

Sem meta-análise quantitativa

Avaliação centrada no clínico ainda rara

§ 08

🏥 Aplicabilidade Clínica

Para quem: Intensivistas, emergencistas, equipes de informática médica, gestores de qualidade em UTI

Recomendação	Ação Prática
Preferir modelos com XAI integrado	Priorizar ferramentas com SHAP/LIME para transparência
Monitorar features-chave	RR, GCS, BUN, débito urinário e MAP são os preditores mais consistentes
Exigir validação externa	Não implementar modelos validados apenas internamente
Integrar outputs de XAI no round	Usar explicações como "segunda opinião" complementar

Cautelas: Outputs de XAI podem capturar ruído de modelos overfitted. AUC interna ≠ desempenho real.

§ 09

🔮 Implicações Futuras

Métricas padronizadas de fidelidade e estabilidade para XAI

Estudos prospectivos com impacto em decisões clínicas

Integração de dados multimodais (labs + imagens + notas)

Abordagens baseadas em argumentação

Datasets mais representativos (diversidade étnica/regional)

Princípios de IA responsável: equidade, mitigação de viés

§ 10

📖 Referência (ABNT)

ATHUKORALA, V. S.; ILMINI, W. M. K. S. Explainable AI for critical care: a systematic review of interpretable models for sepsis and ICU mortality prediction. BMC Medical Informatics and Decision Making, v. 26, n. 64, 2026. DOI: 10.1186/s12911-026-03344-0.

§ 11

📝 Abreviaturas

Sigla	Significado
XAI	Inteligência Artificial Explicável
SHAP	SHapley Additive exPlanations
LIME	Local Interpretable Model-agnostic Explanations
Grad-CAM	Gradient-weighted Class Activation Mapping
ML	Machine Learning
DL	Deep Learning
AUC	Área Sob a Curva ROC
SOFA	Sequential Organ Failure Assessment
APACHE II	Acute Physiology and Chronic Health Evaluation II
GCS	Glasgow Coma Scale
MAP	Mean Arterial Pressure
BUN	Blood Urea Nitrogen
RR	Respiratory Rate
MIMIC	Medical Information Mart for Intensive Care
PRISMA	Preferred Reporting Items for Systematic Reviews
PROBAST	Prediction model Risk Of Bias ASsessment Tool
UTI	Unidade de Terapia Intensiva

#terapia-intensiva #revisao-sistematica #sepse #inteligencia-artificial #XAI #machine-learning #mortalidade-UTI

{child_page} IA na Nutrição em Terapia Intensiva — Revisão (Kittrell et al., 2024)

Refs

Referências

[1]notion.so ↗