Predição de desfechos na terapia com cânula nasal de alto fluxo em pediatria: uma abordagem baseada em aprendizado de máquina

Abstract

A identificação precoce da falha da terapia com Cateter Nasal de Alto Fluxo (CNAF) é crucial em pediatria, visto que o insucesso promove piores desfechos e a acurácia limitada dos índices fisiológicos isolados dificulta o reconhecimento precoce do risco. Assim, este estudo objetiva desenvolver e avaliar modelos preditivos que identifiquem precocemente o risco de falha do CNAF, integrando variáveis clínicas e aplicando técnicas de balanceamento de dados para aprimorar o desempenho das previsões. Estudo retrospectivo, descritivo e unicêntrico, que incluiu 100 pacientes pediátricos (1 mês a 14 anos) com insuficiência respiratória aguda submetidos ao CNAF. O fluxo foi ajustado com base no peso, variando de 1–2 L/min/kg até um máximo de 3 L/min/Kg. Para a predição, diversos índices fisiológicos (p-ROXI, p-ROXV, S/F/HR/RR, FC-ROX) foram calculados e, utilizando Aprendizado de Máquina (ML), aplicou-se o método de reamostragem Borderline- SMOTE para mitigar o desequilíbrio da amostra e otimizar o desempenho preditivo. Dos 100 pacientes analisados, 76 obtiveram sucesso na terapia e 24 apresentaram falha. O grupo com sucesso exibiu mediana de idade e peso superiores (24 meses e 13 kg, respectivamente). Na análise univariada, a Frequência Cardíaca (HR) e o índice FC-ROX demonstraram diferenças estatisticamente significativas entre os grupos (p=0.016 e p=0.011, respectivamente). A avaliação do Aprendizado de Máquina confirmou que a combinação de variáveis, especialmente pelo índice FC-ROX, resultou em um preditor mais robusto para a falha do CNAF, superando a performance dos índices fisiológicos isolados. O estudo conclui que existem indícios de um possível preditor de falha e sucesso na terapia com CNAF. É crucial uma maior coleta de dados e a separação de confundidores, como comorbidade e faixa etária, em futuros trabalhos. Contudo, os modelos preditivos são importantes para orientar a ação precoce de profissionais de saúde, prevenindo desfechos negativos.

The early identification of High-Flow Nasal Cannula (HFNC) therapy failure is crucial in pediatrics, as unsuccessful treatment promotes worse outcomes and the limited accuracy of isolated physiological indices hinders the early recognition of risk. Thus, this study aims to develop and evaluate predictive models that early identify the risk of HFNC failure, integrating clinical variables and applying data balancing techniques to enhance prediction performance. A retrospective, descriptive, single-center study was conducted, including 100 pediatric patients (1 month to 14 years) with acute respiratory failure who were subjected to HFNC. The flow was adjusted based on weight, ranging from 1–2 L/min/kg up to a maximum of 3 L/min/Kg. For prediction, various physiological indices (p-ROXI, p-ROXV, S/F/HR/RR, HR-ROX) were calculated and, using Machine Learning (ML), the Borderline-SMOTE resampling method was applied to mitigate sample imbalance and optimize predictive performance. Of the 100 patients analyzed, 76 achieved therapeutic success and 24 presented failure. The successful group exhibited higher median age and weight (24 months and 13 kg, respectively). In the univariate analysis, Heart Rate (HR) and the FC-ROX index demonstrated statistically significant differences between the groups (p=0.016 and p=0.011, respectively). The Machine Learning evaluation confirmed that the combination of variables, especially through the FC-ROX index, resulted in a more robust predictor for HFNC failure, outperforming the isolated physiological indices. The study concludes that there is evidence of a possible predictor of failure and success in HFNC therapy. Further data collection and the separation of confounders, such as comorbidity and age group, are crucial in future work. Nevertheless, predictive models are important for guiding early action by healthcare professionals, preventing negative outcomes.