Modelos preditivos para sepse: um estudo de reprodutibilidade, padronização e confiabilidade em aprendizado de máquina
Resumo
A sepse constitui uma condição médica grave caracterizada pela resposta inflama tória sistêmica do organismo a uma infecção e apresenta alta taxa de mortalidade,
cuja detecção precoce é fundamental para o sucesso do tratamento. Nas últimas
décadas, modelos baseados em aprendizagem de máquina têm sido amplamente
explorados para predizer sua ocorrência, mas a literatura da área ainda apresenta
sérios problemas de reprodutibilidade, comparabilidade e ausência de padronização
metodológica. Esta dissertação propõe uma avaliação crítica do estado da arte na
predição de sepse, aliada a uma análise criteriosa usando uma estrutura padronizado
de diferentes métodos. Para isso, foi criado um conjunto de dados padronizado
com base no MIMIC-IV v2.2, utilizando a definição Sepsis-3, com critérios clínicos
reprodutíveis e janelas temporais bem definidas. Modelos do estado da arte fo ram reimplementados e avaliados tanto em seus contextos originais quanto nesse
ambiente controlado. Além disso, esta pesquisa incorporou a técnica de Predição
Conformal, em sua forma transdutiva, como forma de quantificar incertezas e aumen tar a confiabilidade das predições. Os resultados mostraram que a reprodutibilidade
ainda é um desafio, que o desempenho dos modelos varia significativamente sob
diferentes janelas temporais e que a aplicação de predição conformal pode melhorar
a segurança e a precisão das predições, embora sua eficácia dependa da calibragem
e da natureza do modelo subjacente. As contribuições desta dissertação incluem
a padronização de práticas experimentais, a análise crítica da literatura vigente, a
demonstração das limitações dos modelos atuais e a proposta de caminhos mais
robustos e confiáveis para o uso de IA em contextos clínicos sensíveis