|
Abstract:
|
A gestão eficiente dos leitos de Unidades de Terapia Intensiva (UTI) é decisiva para os desfechos clínicos dos pacientes, sobretudo em crises sanitárias como pandemias e surtos sazonais. Embora o Brasil atenda, na média, à recomendação da OMS de 1 a 3 leitos de UTI por 10 mil habitantes, persistem disparidades regionais no SUS, e modelos preditivos baseados em aprendizado de máquina (Machine Learning – ML) surgem como aliados para antecipar a demanda e apoiar a alocação desses recursos. No âmbito do projeto "Céos: Inteligência de Dados para a Sociedade – auxílio à tomada de decisão inteligente em domínios complexos do setor público", este plano de atividades consistiu na colaboração em uma revisão de escopo para responder à pergunta: "Quais são os modelos preditivos utilizados na gestão de leitos de UTI?". A revisão seguiu a metodologia do Joanna Briggs Institute (JBI) e as diretrizes PRISMA-ScR, com protocolo registrado no Open Science Framework. O bolsista atuou em todas as etapas realizadas entre setembro de 2025 e fevereiro de 2026, quando ocorreu seu desligamento voluntário: elaboração do protocolo com a bibliotecária da UFSC, definição de descritores em português, inglês e espanhol, buscas em dez bases de dados (2013 a 2024), triagem no software Rayyan com segundo leitor, leitura na íntegra, extração de dados, descrição dos resultados e identificação do periódico para publicação. A extração de dados foi a etapa mais trabalhosa: conduzida nos moldes de um processo de ETL (extração, transformação e carga), exigiu padronizar informações muito heterogêneas entre os estudos e demandou o entendimento de modelagem preditiva e de análise de dados de saúde. Das 2.125 publicações encontradas, 1.672 eram únicas e 47 estudos foram incluídos. Foram identificados 26 algoritmos, com predomínio de Random Forest (21 estudos), Regressão Logística (18) e XGBoost (12). Os desfechos mais previstos foram admissão ou readmissão em UTI (25 estudos) e mortalidade (18). A AUROC foi a métrica mais utilizada (38 estudos), mas apenas 17 estudos descreveram como trataram dados desbalanceados, o que limita a reprodutibilidade e a comparação dos modelos. As variáveis preditoras mais frequentes foram sinais vitais e idade, dados já coletados rotineiramente nos hospitais. A revisão mapeia o estado da arte sobre o tema e evidencia a necessidade de padronizar a avaliação e o relato desses modelos. A participação na iniciação científica proporcionou ao bolsista experiência com o método científico, revisões sistematizadas, ETL, aprendizado de máquina aplicado à saúde e trabalho colaborativo em grupo de pesquisa. |
