---

pmid: "40830514"
title: "Transformando o manejo da sepse: inovações impulsionadas por IA na detecção precoce e terapias personalizadas."
authors: "Papareddy P, Lobo TJ, Holub M, Bouma H, Maca J, Strodthoff N, Herwald H"
journal: "Critical care (London, England)"
pubdate: "2025 Aug 19"
doi: "10.1186/s13054-025-05588-0"
source: "PMC Full Text"

Transformando o manejo da sepse: inovações impulsionadas por IA na detecção precoce e terapias personalizadas.

Autores

Papareddy P, Lobo TJ, Holub M, Bouma H, Maca J, Strodthoff N, Herwald H

Periodico

Critical care (London, England) (2025 Aug 19)

Conteudo

Transformando o manejo da sepse: inovações orientadas por IA na detecção precoce e terapias personalizadas
A sepse continua sendo uma das principais causas de mortalidade no mundo, impulsionada por sua complexidade clínica e reconhecimento tardio. A inteligência artificial (IA) oferece soluções promissoras para melhorar o cuidado com a sepse por meio de detecção mais precoce, estratificação de risco e estratégias de tratamento personalizadas. As principais aplicações incluem sistemas de alerta precoce orientados por IA, subfenotipagem baseada em dados clínicos e biológicos, e ferramentas de suporte à decisão que se adaptam a informações em tempo real do paciente. A integração de diversos tipos de dados, como dados clínicos estruturados, anotações não estruturadas, sinais de onda e biomarcadores moleculares, aumenta a precisão e a rapidez das intervenções. No entanto, desafios como viés algorítmico, validação externa limitada, problemas de qualidade dos dados e considerações éticas continuam a dificultar a implementação clínica. Direções futuras concentram-se na adaptação do modelo em tempo real, integração multi-ômica e no desenvolvimento de uma IA médica generalista capaz de recomendações personalizadas. Abordar essas barreiras com sucesso é essencial para que a IA realize seu potencial de transformar o manejo da sepse e apoiar a transição para o cuidado intensivo baseado em precisão.
Introdução
Introdução
A sepse é uma resposta desregulada à infecção que pode levar à disfunção orgânica ameaçadora à vida, afetando quase 50 milhões de pessoas em todo o mundo anualmente. Avanços no cuidado intensivo aumentaram a sobrevida hospitalar para 85%. Sobreviventes de sepse apresentam morbidade em excesso a longo prazo e uma taxa de sobrevida em 5 anos de 60%. Apesar dos avanços em muitas outras áreas médicas, a sepse permanece uma condição complexa e elusiva para ser reconhecida em seu estágio inicial e tratada de forma eficaz. A resposta do hospedeiro à infecção envolve interações complexas, como a interação entre a resposta imune e o sistema de coagulação. Se ocorrer descompartimentalização sistêmica da inflamação a partir do foco original da infecção, os pacientes podem frequentemente sofrer de hipotensão arterial, choque distributivo e comprometimento generalizado da coagulação, como coagulação intravascular disseminada, levando ao desenvolvimento de falência de múltiplos órgãos. Por outro lado, a hiperresponsividade do sistema imunológico pode ocorrer em alguns pacientes, levando a uma infecção avassaladora. Esse desequilíbrio imunológico é agora considerado uma marca registrada da patogênese da sepse e um alvo para abordagens de medicina de precisão.
Estudos clínicos demonstraram maiores taxas de sobrevivência em choque séptico associadas à administração precoce de antibióticos, o que enfatiza a importância da intervenção rápida para reduzir a mortalidade e morbidade. A heterogeneidade dos pacientes acrescenta complexidade a essa situação, com respostas individuais à infecção variando de acordo com a genética e o estado de saúde. Por exemplo, pacientes com doenças subjacentes como diabetes mellitus, imunodeficiência, doenças autoimunes, doenças crônicas pulmonares, renais ou hepáticas, e câncer, bem como indivíduos nos extremos de idade, incluindo recém-nascidos e idosos, são mais suscetíveis a infecções graves e ao desenvolvimento de sepse. Avanços recentes na pesquisa sobre sepse destacam a necessidade de estratificação molecular desses pacientes para adaptar as estratégias de tratamento.
A resistência antimicrobiana (RAM) é uma preocupação crescente globalmente que complica o tratamento da sepse. Em alguns países, o surgimento de patógenos resistentes limitou severamente as opções de tratamento, muitas vezes deixando os clínicos com poucas ou nenhuma terapia eficaz. Como resultado, as infecções resistentes contribuem significativamente para a carga de mortalidade, representando cerca de 1,27 milhão de mortes em todo o mundo anualmente. O diagnóstico precoce e o tratamento individualizado são essenciais para melhorar os desfechos, mas as abordagens atuais frequentemente não conseguem lidar com a heterogeneidade das respostas dos pacientes.
Em 2021, a Critical Care Medicine e a Intensive Care Medicine publicaram novas diretrizes para o manejo da sepse, chamadas Campanha de Sobrevivência à Sepse, oferecendo aos clínicos instruções de ponta para o tratamento de pacientes com sepse ou choque séptico. As diretrizes enfatizam a importância da identificação precoce e do manejo adequado nas primeiras horas após o desenvolvimento da sepse. Como mencionado anteriormente, a intervenção oportuna no tratamento da sepse é crucial, pois para cada hora de atraso no tratamento adequado, a mortalidade aumenta em 7,6% a partir do início da hipotensão. Para isso, a administração precoce de antimicrobianos e a reanimação hemodinâmica adequada com fluidos e vasopressores, dependendo das necessidades do paciente, idealmente dentro de uma hora após o reconhecimento, é essencial para pacientes com hipotensão e sepse. As diretrizes de manejo da sepse recomendam a eliminação precoce do foco de infecção, incluindo a administração empírica de uma combinação de antibióticos de amplo espectro e, quando necessário, intervenção cirúrgica como incisão e drenagem de abscessos. É importante observar que amostras para análise microbiológica devem ser coletadas antes da administração de antibióticos para aumentar o rendimento diagnóstico. Estratégias de tratamento adicionais abordando o extravasamento vascular e a disfunção endotelial também estão sob investigação para estabilizar o colapso circulatório na sepse. A coagulopatia induzida por sepse complica ainda mais o manejo e tem sido associada a maus resultados em múltiplos estudos.
Papel da IA no tratamento da sepse
Os avanços na IA abriram novas oportunidades para a medicina de precisão no cuidado da sepse, oferecendo ferramentas para enfrentar os desafios únicos de diagnóstico e tratamento impostos por essa condição altamente heterogênea e sensível ao tempo. Modelos baseados em IA mostram potencial para melhorar a detecção precoce, a estratificação de risco e a personalização do tratamento. Ao analisar grandes conjuntos de dados de fontes clínicas e moleculares, a IA tem potencial para permitir intervenções mais personalizadas na sepse. No entanto, a implementação clínica e as evidências de melhores resultados permanecem limitadas no momento.

Esta revisão narrativa descreve três potenciais casos de uso da IA no cuidado da sepse, seguida por uma discussão dos principais desafios que devem ser enfrentados para melhorar as aplicações da IA nesse campo. Em seguida, explora direções futuras promissoras antes de concluir com considerações finais. O foco está no manejo da sepse em adultos, refletindo as definições clínicas atuais (incluindo Sepse-3) e a aplicação predominante das tecnologias de IA em populações de pacientes adultos.

Embora várias revisões tenham explorado a promessa da IA no manejo da sepse, focando principalmente em modelos de detecção precoce ou em técnicas algorítmicas específicas, mas em menor extensão em aspectos como tradução clínica, avaliação regulatória e implementação no mundo real. Esta revisão tem como objetivo preencher essa lacuna, fornecendo uma síntese estruturada das aplicações da IA ao longo do continuum do cuidado da sepse, desde a predição precoce e fenotipagem até a orientação terapêutica e implantação em ambientes clínicos, além de abordar explicitamente os desafios associados e direções promissoras para pesquisas futuras.

Casos de uso da IA no cuidado da sepse

As tecnologias de IA mostram potencial para permitir intervenções mais precoces, categorização mais precisa de pacientes e estratégias de tratamento personalizadas. No entanto, essas aplicações permanecem em grande parte investigacionais e exigem validação adicional antes da adoção clínica generalizada. Três casos de uso críticos da IA no cuidado da sepse incluem detecção precoce, subfenotipagem da sepse para estratificação de risco e tratamento direcionado.

IA na Detecção Precoce e Sistemas de Alerta Precoce

Uma das aplicações mais promissoras da IA no manejo da sepse é sua capacidade de detectar a condição em estágio inicial. Isso pode permitir a identificação precoce de pacientes em risco e demonstra forte desempenho preditivo; no entanto, as evidências de melhores resultados clínicos decorrentes do uso de tais modelos permanecem limitadas.
Numerosos algoritmos de alerta precoce baseados em IA para detecção de sepse foram desenvolvidos e avaliados em diversos contextos clínicos. Uma das ferramentas de previsão de sepse mais extensivamente estudadas é o algoritmo InSight, que foi inicialmente desenvolvido e validado internamente usando dados retrospectivos. Embora esse estudo tenha demonstrado métricas de desempenho promissoras, ele não comparou o InSight aos sistemas de pontuação tradicionais. Um ensaio clínico prospectivo subsequente mostrou que a implementação do InSight foi associada a detecção mais precoce de sepse e redução do tempo de internação em UTI em comparação ao cuidado habitual. Além da detecção precoce da sepse, algoritmos de alerta baseados em IA têm sido explorados como ferramentas para orientar o momento de intervenções críticas, como terapia de substituição renal em pacientes com lesão renal aguda relacionada à sepse. Análises retrospectivas sugerem associações potenciais entre intervenção mais precoce desencadeada por IA e melhores desfechos, mas as evidências prospectivas permanecem limitadas e inconclusivas. A validação e implementação desses sistemas continuam desafiadoras. O viés de suspeita diagnóstica e a falta de validação rigorosa podem comprometer a generalizabilidade e a eficácia no mundo real das ferramentas de detecção de sepse baseadas em aprendizado de máquina.

Outros modelos de IA, como o algoritmo Sepsis Early Risk Assessment (SERA) e o Targeted Real-Time Early Warning System (TREWS), processam grandes conjuntos de dados em tempo real para aprimorar a detecção precoce de sepse. O SERA combina dados estruturados (ex.: sinais vitais) e notas clínicas não estruturadas usando Processamento de Linguagem Natural (PLN) para prever sepse até 12 h antes do início. O TREWS monitora continuamente os dados do paciente, sinalizando casos potenciais de sepse antes que se tornem clinicamente aparentes. Uma avaliação prospectiva sugeriu que a confirmação precoce do alerta (dentro de 3 h) foi associada a início mais rápido do tratamento, embora a ausência de um grupo de controle não-TREWS e potenciais fatores de confusão limitem a interpretação causal. Análises subsequentes levantaram preocupações adicionais, incluindo exclusão de detecções falsas e casos em que antibióticos foram administrados antes do alerta. Tanto o SERA quanto o TREWS demonstraram forte precisão preditiva, com valores de AUC relatados de 0,94 e 0,97, respectivamente. O desempenho do algoritmo SERA é baseado em validação interna de centro único. O TREWS passou por avaliação prospectiva multicêntrica, mas seu valor de AUC relatado foi derivado de conjuntos de dados de validação interna.

Apesar dos resultados promissores, permanecem preocupações quanto à validação externa e implementação clínica. Os benefícios clínicos dos sistemas automatizados de alerta precoce de sepse vão além de estudos individuais. Uma recente revisão sistemática e meta-análise demonstrou que esses sistemas reduziram significativamente a mortalidade hospitalar, as admissões em UTI e o tempo de internação. Esses sistemas de IA otimizam os fluxos de trabalho clínicos ao automatizar o processo de detecção, permitindo que os profissionais de saúde se concentrem na tomada de decisões e no cuidado ao paciente.
Modelos de IA, como os mencionados anteriormente TREWS e SERA, e o Epic Sepsis Model, diferem marcadamente em suas características principais, métodos de validação e aplicabilidade clínica, refletindo uma heterogeneidade substancial tanto no desempenho quanto no rigor metodológico. Conforme resumido na Tabela 1, essas ferramentas variam amplamente em requisitos de dados de entrada, valores de AUC relatados, desempenho de predição positiva e grau de avaliação prospectiva. Embora a AUC seja uma métrica de desempenho frequentemente utilizada, ela não reflete a utilidade clínica em limiares relevantes para a tomada de decisão nem fornece insights sobre a calibração do modelo. Modelos como o TREWS relatam AUCs altas, mas PPV relativamente baixo, o que pode limitar sua acionabilidade em ambientes reais e contribuir para a fadiga de alarmes. Enquanto o TREWS demonstrou benefício na mortalidade em um grande estudo prospectivo multicêntrico, modelos como SERA e o AI Clinician permanecem restritos à avaliação retrospectiva. Por outro lado, o Epic Sepsis Model apresentou desempenho marcadamente inferior em validação independente (AUC ~ 0,63), apesar da ampla adoção. Mais recentemente, o COMPOSER mostrou precisão prospectiva promissora usando entradas aprimoradas por modelos de linguagem. Esses achados ressaltam que métricas como AUC sozinhas podem ocultar limitações críticas, como calibração deficiente ou volume excessivo de alarmes.

Visão geral comparativa de modelos selecionados de previsão de sepse baseados em IA
Modelo Dados de Entrada Validação AUC PPV/NPV Implementação Principais Limitações Referência
TREWS EHR estruturado Prospectivo multicêntrico (5 hospitais, ~ 590.000 pacientes) 0,97 (interno); 0,88 (prospectivo) PPV ~ 27% Uso clínico (EUA) Alta taxa de alarmes falsos; calibração específica do local
SERA Notas clínicas estruturadas + não estruturadas Retrospectivo (conjunto de teste interno + externo) 0,94 Sens/Esp ~ 0,87 cada Não implementado Nenhuma avaliação prospectiva
Epic Sepsis Model EHR estruturado Validação externa (estudo de Michigan) 0,63 PPV muito baixo; ~109 alarmes por caso verdadeiro Implementado em hospitais Epic Generalizabilidade ruim; limiarização pouco clara
AI Clinician Dados estruturados de UTI Retrospectivo (MIMIC-III) ~ 0,85 (avaliação de política) – Não implementado Nenhuma validação prospectiva ou externa
COMPOSER-LLM EHR estruturado + preditores baseados em LLM Piloto prospectivo – PPV ~ 32–36%, Sens 68–72% Piloto inicial Escala limitada; robustez do LLM não comprovada
A tabela resume as principais características das ferramentas de IA amplamente citadas para previsão precoce de sepse, incluindo dados de entrada, tipo de validação, métricas de desempenho, status de implementação e limitações primárias com base na literatura atual revisada por pares.

Em resumo, os sistemas de alerta precoce representam o caso de uso mais comum da IA no cuidado da sepse, com modelos que apresentam desempenho aparentemente promissor, porém, muitas vezes carecendo de validação externa e com impacto clínico ainda amplamente incerto.
A capacidade da IA de gerenciar as complexidades da sepse vai além da detecção precoce, oferecendo uma ferramenta poderosa para o subfenotipagem, que categoriza os pacientes em subtipos com base em características clínicas e biológicas. Esses subfenótipos estão associados a diferentes riscos de desfechos clínicos e podem exigir abordagens terapêuticas personalizadas que possam alterar a trajetória da doença. Essa mudança de tratamentos padronizados para estratégias personalizadas utiliza algoritmos de aprendizado não supervisionado para processar grandes conjuntos de dados de pacientes, identificando padrões clinicamente relevantes e sugerindo abordagens de tratamento adaptativas, adaptadas a subfenótipos, o que pode informar futuras melhorias no manejo clínico e nos desfechos. Nesse contexto, "fenótipo" refere-se a características clínicas observáveis, enquanto "subfenótipo" denota agrupamentos orientados por dados identificados por meio de técnicas de aprendizado não supervisionado. Para manter a clareza terminológica, o termo "endótipo" não é utilizado, e variantes definidas molecularmente são referidas como "subtipos".

Um exemplo notável de fenotipagem orientada por IA é a identificação de quatro fenótipos distintos de sepse, α (alfa), β (beta), γ (gama) e δ (delta), por meio de algoritmos de aprendizado de máquina. Fatores como marcadores inflamatórios, disfunção orgânica e risco de mortalidade diferenciam esses fenótipos. Por exemplo, o fenótipo δ, caracterizado por disfunção orgânica grave e alta inflamação, está associado à maior taxa de mortalidade. Em contraste, o fenótipo α, com comprometimento orgânico menos grave, apresenta melhores desfechos. Reconhecer esses fenótipos precocemente pode permitir que os clínicos, no futuro, adaptem tratamentos como fluidos, vasopressores e antibióticos com base nas necessidades específicas de cada grupo de pacientes.

Além das abordagens de agrupamento não supervisionado para identificar fenótipos de sepse, métodos baseados em trajetória também têm sido utilizados para definir subfenótipos com base em padrões longitudinais de sinais vitais. Essas abordagens identificaram subfenótipos de sepse distintos, baseados em trajetórias de temperatura, associados a diferentes respostas inflamatórias do hospedeiro e desfechos clínicos. Estruturas de inferência causal oferecem uma estratégia complementar que visa descobrir subgrupos que respondem de forma diferente a tratamentos específicos. Trabalhos recentes usando técnicas de inferência causal demonstraram o potencial de identificar fenótipos distintos de sepse que apresentam respostas diferenciais a intervenções, como estratégias de ressuscitação volêmica.

Apesar de sua promessa, a maioria dos fenótipos orientados por IA permanece observacional e ainda não foi incorporada a ensaios intervencionais prospectivos ou sistemas de suporte à decisão. As barreiras translacionais incluem a limitada identificabilidade em tempo real, implicações terapêuticas pouco claras e a falta de protocolos validados que relacionem a classificação fenotípica a intervenções à beira do leito.
Em resumo, a tentativa de identificar (sub)fenótipos de sepse é um caso de uso promissor para a IA no cuidado da sepse para lidar com a heterogeneidade inerente da sepse. No entanto, a diferenciação clara dos fenótipos, sua conexão com diferentes respostas terapêuticas e/ou diferenças em desfechos duros permanece desafiadora.
Tratamento personalizado e tomada de decisão clínica apoiada por IA
A IA desempenha um papel crítico na personalização do tratamento ao prever como pacientes individuais responderão às terapias. Ao analisar dados históricos, informações do paciente em tempo real (sinais vitais, resultados laboratoriais, histórico clínico) e desfechos, os modelos de IA ajudam os clínicos a adaptar intervenções para maximizar a eficácia enquanto minimizam os riscos. Por exemplo, modelos preditivos podem orientar a seleção de antibióticos ou o momento e a dosagem de vasopressores com base no estado fisiológico único do paciente.
Sistemas como o AI Clinician usam aprendizado por reforço para ajustar dinamicamente recomendações de fluidos e vasopressores com base em dados em tempo real, otimizando estratégias de tratamento em ambientes de cuidados críticos que mudam rapidamente. O AI Clinician, descrito pela primeira vez em um estudo seminal que aplicou aprendizado por reforço a estratégias de tratamento da sepse, demonstrou o potencial dos sistemas de IA para recomendar dosagens ideais de fluidos e vasopressores com base em dados retrospectivos de UTI. Um estudo prospectivo recente de validação, o ensaio OVISS, estendeu essa abordagem ao avaliar recomendações de tratamento baseadas em aprendizado por reforço para vasopressores e fluidos em ambientes reais de UTI. O estudo demonstrou viabilidade clínica e maior adesão aos regimes sugeridos pela IA, com tendências de melhora nos desfechos dos pacientes em comparação com o tratamento administrado por clínicos. As Redes Bayesianas Aumentadas por Árvore (TAN) e os Regimes de Tratamento Dinâmico (DTRs) ajudam os clínicos a gerenciar os riscos da sepse, fornecendo atualizações em tempo real para os planos de tratamento e adaptando-se às mudanças de curto prazo nas condições do paciente.
A incorporação de subfenótipos de sepse (como α, β, γ ou δ) juntamente com dados em tempo real melhora ainda mais o cuidado personalizado ao categorizar os pacientes com base em suas características clínicas e biológicas. Isso garante um cuidado mais agressivo para fenótipos graves e um manejo conservador para casos mais leves. Os planos de tratamento baseados em subfenótipos se adaptam continuamente às condições evolutivas do paciente, melhorando os desfechos por meio de intervenções oportunas.
Olhando para o futuro, as ferramentas de IA integrarão cada vez mais dados ômicos, como genômica, epigenômica, transcriptômica, proteômica, lipidômica e metabolômica, para fornecer recomendações de tratamento ainda mais personalizadas, adaptadas ao perfil molecular de cada paciente. Em resumo, o suporte à decisão clínica apoiado por IA promete fornecer recomendações de tratamento individualizadas apoiadas por dados. Isso requer habilidades de raciocínio contrafactual, que são desafiadoras de implementar. Portanto, é o caso de uso menos desenvolvido para a IA no cuidado da sepse.
Desafios para a IA no cuidado da sepse
A IA no cuidado da sepse enfrenta muitos desafios, que categorizamos amplamente como fundamentais, metodológicos e relacionados à implantação e discutimos em detalhes nos parágrafos a seguir.
Questões Fundamentais
Definição de sepse
Os modelos de aprendizado de máquina para reconhecimento de sepse frequentemente enfrentam desafios devido à complexidade inerente da condição e à variabilidade em sua apresentação. A ausência de uma definição única de “padrão ouro” para sepse complica as comparações entre modelos, embora os critérios Sepse-3, baseados em alterações no escore SOFA e disfunção orgânica, sejam cada vez mais aceitos. Essa variabilidade é ainda mais agravada por diferentes ambientes clínicos (por exemplo, pronto-socorro, enfermaria geral, UTI) e pelos desfechos específicos utilizados, como sepse versus choque séptico. Grandes conjuntos de dados de cuidados clínicos são frequentemente usados para treinar modelos, mas frequentemente carecem dos parâmetros específicos necessários para calcular o escore SOFA, dificultando a rotulagem precisa dos casos. O SOFA eletrônico (eSOFA), que depende de parâmetros mais comumente disponíveis, pode permitir uma rotulagem mais confiável dos casos de sepse nesses conjuntos de dados. A conscientização sobre essas diferenças aparentemente sutis é essencial, especialmente ao comparar modelos entre diferentes publicações.
Desafios de avaliação e validação externa
Uma avaliação comparativa de modelos de detecção precoce para sepse representa um grande desafio. As pontuações de predição são normalmente obtidas a partir de análises retrospectivas, geralmente medidas no nível do encontro usando dados coletados em uma janela pré-especificada antes do início da sepse. As características do conjunto de dados, incluindo balanceamento, prevalência de sepse e critérios de definição de caso, influenciam fortemente essas métricas de desempenho. A AUC é frequentemente usada como uma medida de desempenho preditivo geral; no entanto, a implementação clínica requer métricas adicionais, como sensibilidade e valor preditivo positivo (VPP), avaliadas em limiares de alerta relevantes para a prática clínica. Essas métricas são essenciais para avaliar o impacto potencial de falsos positivos e falsos negativos nos fluxos de trabalho e na tomada de decisões.
Embora muitos modelos de IA demonstrem precisão impressionante em ambientes de pesquisa controlados, seu desempenho no mundo real pode ser inconsistente. Diferenças nas populações de pacientes, práticas de saúde e qualidade dos dados entre hospitais limitam a generalização. A validação externa de modelos de IA em diversos contextos é essencial para construir confiança em sua confiabilidade e garantir que possam lidar com a complexidade dos ambientes médicos reais. Sem uma validação rigorosa, os clínicos não podem confiar em ferramentas baseadas em IA para apoiar a tomada de decisão clínica, limitando ainda mais sua integração na prática clínica. A validação externa e prospectiva em diversos contextos é, portanto, crítica para estabelecer confiabilidade antes da integração clínica. Vários estudos multissítio publicados recentemente abordaram essa lacuna, e estudos prospectivos de implementação relataram resultados promissores, incluindo reduções na mortalidade. No entanto, os ensaios clínicos randomizados continuam sendo o padrão ouro e ainda estão pendentes.
Os riscos de implantar modelos sem validação rigorosa são ilustrados pelo Modelo de Sepse da Epic (ESM). Apesar da adoção generalizada por meio do prontuário eletrônico da Epic, uma avaliação externa na Universidade de Michigan revelou que o ESM deixou de detectar 67% dos casos de sepse, apresentando baixa sensibilidade e levantando sérias preocupações sobre sua utilidade clínica. Esse caso ressalta a necessidade de validação externa completa e avaliação prospectiva antes de integrar ferramentas de predição baseadas em IA nos fluxos de trabalho clínicos.
Rumo a padrões regulatórios e validação prospectiva
À medida que o uso clínico de sistemas de suporte à decisão baseados em IA no manejo da sepse se expande, surge uma questão crítica: essas ferramentas devem ser submetidas aos mesmos padrões de validação clínica que agentes farmacológicos, biomarcadores diagnósticos ou dispositivos médicos? Enquanto a maioria dos modelos de IA é atualmente implantada após validação retrospectiva e, ocasionalmente, testes externos, poucos passam pelo tipo de avaliação prospectiva e no mundo real exigida para outras intervenções clínicas.
Avaliações sistemáticas recentes de dispositivos médicos habilitados por IA/ML aprovados pela FDA mostram que menos de 10% são apoiados por ensaios clínicos prospectivos, e ainda menos fornecem relatórios transparentes sobre o desempenho do modelo em subgrupos ou contextos de pacientes. Isso contrasta com os padrões esperados para intervenções tradicionais, como medicamentos ou dispositivos de monitoramento invasivos, que exigem evidências de ensaios clínicos randomizados (ECRs) demonstrando benefício clínico, e não apenas precisão preditiva.
No entanto, projetar ECRs para intervenções de IA, especialmente aquelas que operam em segundo plano ou “silenciosamente”, levanta desafios únicos. Na implantação silenciosa, os modelos de IA podem processar dados e gerar previsões de risco sem alertar os clínicos, permitindo uma avaliação discreta do desempenho do modelo. No entanto, essa configuração complica a aplicação do equilíbrio clínico e do consentimento informado, uma vez que os pacientes podem ser randomizados para braços onde insights potencialmente acionáveis são retidos. Esses desafios levantam profundas preocupações éticas, particularmente em relação à transparência, autonomia do paciente e justiça, já que a implantação silenciosa pode prejudicar a escolha informada do paciente e a responsabilidade institucional. Além disso, os ensaios silenciosos borram os limites entre a pesquisa observacional e intervencional, complicando a classificação regulatória e desafiando os mecanismos de supervisão tipicamente usados para investigações clínicas. Uma estrutura ética robusta é necessária para orientar o desenho de tais estudos, incluindo mecanismos para salvaguardar os direitos dos pacientes mesmo quando a divulgação é limitada. À luz dessas dificuldades, abordagens alternativas baseadas em inferência causal foram propostas, nas quais ensaios-alvo simulados usando dados do mundo real, como prontuários eletrônicos, podem aproximar as condições de ECR. Por exemplo, foi relatado que réplicas de resultados de ECR usando dados observacionais destacam como modelos causais cuidadosamente projetados podem oferecer estimativas válidas de efeito do tratamento quando os ECRs tradicionais são inviáveis ou eticamente limitados. Tais estruturas podem ser especialmente valiosas no contexto de sistemas de IA implantados silenciosamente, onde a experimentação prospectiva é dificultada pela ambiguidade regulatória e pelos desafios de consentimento.

Do ponto de vista metodológico, esses ensaios frequentemente dependem de estruturas complexas de inferência causal para comparar desfechos entre braços com assistência de IA e cuidados padrão, mas tais comparações são sensíveis a confusão não medida, heterogeneidade do paciente e fluxos de trabalho clínicos específicos ao contexto. No entanto, esses achados de inferência causal permanecem geradores de hipóteses, são limitados por fatores de confusão não medidos e pela natureza estática das abordagens atuais de fenotipagem nesta doença dinâmica, e ainda não são estratégias validadas à beira do leito; ensaios clínicos randomizados prospectivos são essenciais para confirmar sua utilidade clínica. Além disso, se o comportamento do clínico for influenciado, mesmo inconscientemente, pela presença de ferramentas de IA no sistema, o isolamento verdadeiro dos efeitos torna-se ilusório. Assim, embora os ECRs permaneçam como padrão ouro para validação clínica, desenhos alternativos, como ensaios em cunha escalonada ou modelos quase-experimentais com análises de sensibilidade robustas, podem oferecer caminhos pragmáticos para avaliar a IA em ambientes dinâmicos e eticamente sensíveis.
Um corpo crescente de literatura clama por estruturas mais rigorosas e padronizadas para avaliar IA na área da saúde. Essas estruturas defendem abordagens regulatórias adaptativas e baseadas em risco, mas enfatizam a necessidade de evidência prospectiva de utilidade clínica antes da implantação. Essa perspectiva é especialmente relevante no cuidado da sepse, onde decisões em tempo real sobre fluidos, antibióticos e vasopressores podem ter consequências imediatas para os resultados dos pacientes.

Um número limitado, mas crescente, de sistemas baseados em IA para sepse passou por avaliação prospectiva. Por exemplo, o algoritmo NAVOY® Sepsis foi recentemente avaliado em um ensaio clínico randomizado utilizando os critérios Sepse-3 e demonstrou uma melhora estatisticamente significativa na identificação precoce da sepse e no início oportuno do tratamento. Um sistema multimodal orientado por modelo de linguagem ampla foi avaliado prospectivamente em ambientes de UTI, demonstrando desempenho robusto em tempo real e integração ao fluxo de trabalho. Outro exemplo, o modelo Sepsis Watch, passou por validação externa em múltiplos locais, ilustrando tanto seu potencial quanto os desafios de reprodutibilidade em diversos ambientes clínicos.

Seguindo em frente, os sistemas de IA destinados a decisões de alto risco em cuidados críticos devem passar por padrões de validação clínica semelhantes aos aplicados a dispositivos ou diagnósticos. Isso inclui não apenas avaliações de desempenho técnico e imparcialidade, mas também ensaios prospectivos para determinar seu impacto real nos resultados dos pacientes.

Limitações metodológicas

Viés de publicação e relato

O campo da IA no cuidado da sepse está sujeito a um viés significativo de publicação e relato. Estudos que destacam modelos bem-sucedidos ou de alto desempenho têm maior probabilidade de serem publicados, enquanto aqueles que falham em generalizar ou mostram benefício clínico limitado frequentemente permanecem subnotificados. A falha do amplamente implantado Epic Sepsis Model (ESM), que só foi publicamente examinado após uma avaliação externa revelar que ele perdeu 67% dos casos de sepse, ilustra como tais vieses podem distorcer percepções de progresso e atrasar o aprendizado científico crítico. Aprender com modelos que falham na validação externa ou na implantação no mundo real é essencial, pois esses casos frequentemente revelam vieses ocultos, suposições frágeis ou limitações específicas do contexto que são cruciais para o desenvolvimento de sistemas de IA mais robustos e equitativos. Modelos falhos devem, portanto, ser auditados sistematicamente por meio de análises de desempenho post-hoc, esforços de recalibração e práticas de relato transparentes para informar futuras estratégias de desenvolvimento e implantação de modelos.

Transparência e explicabilidade
A natureza de “caixa-preta” de muitos modelos de inteligência artificial, especialmente sistemas de aprendizado profundo, apresenta desafios significativos para que médicos confiem em recomendações geradas por IA. Diversas técnicas de Inteligência Artificial Explicável (XAI) foram desenvolvidas, frequentemente aplicadas como análises post-hoc em modelos treinados. Esses métodos identificam as características de entrada mais influentes e oferecem insights aproximados sobre por que um modelo fez uma predição específica. No entanto, eles não fornecem transparência real sobre a lógica interna do modelo ou como ele generaliza em diferentes contextos.

Métodos baseados em valores de Shapley são amplamente utilizados para dados tabulares, e técnicas de atribuição post-hoc foram adaptadas para domínios fisiologicamente relevantes, como dados de séries temporais. Embora essas técnicas destaquem características de entrada importantes, elas oferecem apenas insights limitados e, às vezes, incompletos sobre o comportamento geral do modelo. Assim, seu benefício direto para usuários finais na tomada de decisões clínicas permanece não comprovado, embora a XAI forneça uma base promissora para auditoria de modelos e descoberta de conhecimento. Para lidar com as limitações atuais, protocolos de validação rigorosos, semelhantes aos usados para aprovação de medicamentos, foram propostos para avaliar o desempenho do modelo em diversos subgrupos de pacientes.

Técnicas explicáveis que fornecem insights claros sobre recomendações de IA podem contribuir para a construção de confiança e garantir o uso clínico seguro. No entanto, alcançar transparência e responsabilidade exigirá abordagens mais amplas, incluindo interpretabilidade por design, supervisão clínica e estruturas de governança. Esse desafio não é exclusivo da detecção de sepse, mas também se aplica à fenotipagem baseada em IA, onde as classificações devem ser tanto acionáveis quanto compreensíveis para os médicos. Fenótipos opacos ou excessivamente complexos correm o risco de corroer a confiança e limitar a adoção​.

Viés algorítmico
Os modelos de IA são tão bons quanto os dados nos quais são treinados, apresentando o risco de viés algorítmico. Se os conjuntos de dados de treinamento não representarem adequadamente a diversidade das populações de pacientes, os modelos podem ter desempenho inferior em grupos demográficos específicos, potencialmente levando a desigualdades no cuidado da sepse, onde a detecção precoce é crítica. Por exemplo, um modelo de IA treinado principalmente com dados de um grupo demográfico pode ter dificuldade em detectar sepse em pacientes de outras origens étnicas ou socioeconômicas, potencialmente levando a atrasos ou tratamentos inadequados. Os sistemas de IA também devem mitigar vieses nos dados, pois estes podem levar a tratamento injusto ou discriminação. Estudos recentes mostraram que disparidades raciais na precisão da oximetria de pulso, que levam a uma hipoxemia sistematicamente subestimada em certos grupos de pacientes, podem se propagar por modelos de predição de sepse e amplificar desigualdades na detecção precoce.
Diferenças no uso de intervenções de suporte à vida, como ventilação mecânica, vasopressores e terapia de substituição renal entre grupos raciais e étnicos, frequentemente associadas a disparidades socioeconômicas subjacentes, foram documentadas em pacientes de UTI com sepse e podem introduzir padrões de confusão em modelos de IA treinados com dados reais de cuidados intensivos. Estratégias de mitigação, incluindo validação específica por subgrupo, treinamento consciente de viés e auditoria contínua pós-implantação, são essenciais para garantir cuidados equitativos para a sepse.
Qualidade dos dados
Os dados de cuidados intensivos frequentemente contêm valores ausentes ou entradas inconsistentes, o que pode afetar significativamente as previsões dos modelos. Em ambientes de alto risco, mesmo pequenas lacunas podem levar a decisões não confiáveis orientadas por IA. Por exemplo, modelos preditivos em cuidados neonatais demonstraram sofrer com inconsistências nos registros dos pacientes, distorcendo os resultados e reduzindo a confiabilidade. Dados incompletos ou imprecisos não apenas comprometem as recomendações geradas por IA, mas também corroem a confiança dos clínicos nesses sistemas.
O desempenho preditivo dos modelos de IA está diretamente relacionado à completude e precisão de seus conjuntos de dados de treinamento. A cobertura limitada de dados e a padronização deficiente continuam sendo obstáculos importantes, especialmente ao integrar fontes heterogêneas. Melhorar a qualidade dos dados por meio de documentação padronizada, pré-processamento robusto e técnicas avançadas de imputação será crucial para garantir previsões confiáveis e clinicamente aceitáveis.
Barreiras relacionadas à implantação
Implementação no mundo real
A integração da IA nos sistemas de saúde existentes apresenta desafios logísticos e técnicos. As ferramentas de IA devem ser compatíveis com os sistemas atuais de prontuário eletrônico (EHR), que muitas vezes não são otimizados para funcionalidades avançadas de IA. Os algoritmos de IA não apenas exigem poder computacional suficiente, mas também dependem da disponibilidade oportuna dos dados de entrada no formato e resolução apropriados para funcionar de forma eficaz. Isso requer investimento substancial em atualizações de infraestrutura e coordenação entre departamentos. Garantir que os sistemas de IA melhorem, em vez de complicar, os fluxos de trabalho clínicos é fundamental para fomentar a adoção generalizada.
Uma outra grande barreira para a implementação no mundo real é a carga clínica gerada por alertas excessivos, que pode sobrecarregar os recursos de saúde e até causar danos por meio de tratamentos desnecessários. Mesmo modelos altamente precisos como o TREWS podem gerar falsos alarmes. Isso sobrecarrega os recursos de saúde e pode causar danos por meio de tratamentos desnecessários.

Falsos positivos não apenas contribuem para intervenções desnecessárias, mas também podem levar à dessensibilização entre os profissionais de saúde, reduzindo sua capacidade de resposta a alarmes reais. Esse fenômeno, conhecido como fadiga de alarme, tem sido amplamente documentado em sistemas de detecção de sepse, onde o equilíbrio entre sensibilidade e especificidade deve ser cuidadosamente gerenciado para minimizar alertas desnecessários.

Esforços para melhorar os modelos de detecção de sepse focam na redução de falsos positivos, otimizando a oportunidade das previsões e ajustando algoritmos para ponderar mais fortemente os falsos alarmes no processo de treinamento do modelo. Essas melhorias ajudam a garantir que os alertas sejam acionados nos momentos clinicamente mais relevantes, reduzindo assim a fadiga de alarme enquanto mantêm os benefícios da detecção precoce.

Além desses esforços, novos modelos como o COMPOSER estão sendo desenvolvidos para lidar com a fadiga de alarme de forma mais eficaz. O modelo COMPOSER utiliza o formalismo da previsão conformal, uma técnica que fornece detecção robusta de distribuição fora da amostra. Isso permite que o modelo identifique amostras que se desviam significativamente dos dados de treinamento e se abstenha de fazer previsões nesses casos, reduzindo assim a probabilidade de falsos positivos e melhorando a qualidade geral da previsão.

Gostaríamos de aumentar a conscientização dos leitores para não negligenciar os falsos positivos em comparação com os falsos negativos, o que está alinhado com a transparência na escolha do limiar de decisão do algoritmo. Abordagens como a previsão conformal representam um caminho inovador promissor para lidar com esse problema de longa data.

Finalmente, a implementação no mundo real apresenta um obstáculo significativo. Modelos que apresentam bom desempenho em ambientes de pesquisa controlados podem ter dificuldades em contextos diversos de saúde. As instituições de saúde devem investir na infraestrutura e treinamento necessários para integrar essas ferramentas na prática diária. Atualmente, não existem regulamentações relativas ao reembolso pelo uso de modelos de IA na prática clínica, apesar dos custos substanciais potenciais incorridos pelos fabricantes para seu desenvolvimento, validação e certificação. Além disso, o ônus econômico da sepse adiciona complexidade, com custos hospitalares variando entre os sistemas de saúde. A otimização do uso de recursos e a melhoria da eficiência do tratamento por meio dessas tecnologias avançadas poderiam aliviar parte da pressão financeira.
Além das considerações econômicas e técnicas, a implantação bem-sucedida de sistemas de IA também deve abordar princípios fundamentais da engenharia de fatores humanos. Estudos recentes destacaram como as percepções dos clínicos sobre a utilidade dos alertas são moldadas pela carga cognitiva e pela experiência anterior, sendo que profissionais menos experientes frequentemente consideram os alertas mais acionáveis e benéficos. Além disso, a implementação eficaz requer cocriação com os clínicos para reduzir a fadiga de alertas, apoiar a geração de hipóteses e garantir a integração perfeita ao fluxo de trabalho, características que demonstraram melhorar a usabilidade e a confiança clínica.

Embora a promessa clínica da IA no cuidado da sepse continue a crescer, seu impacto no mundo real depende da superação de barreiras econômicas e sistêmicas críticas. Implementar ferramentas de IA exige mais do que validação técnica; também demanda modelos de financiamento sustentáveis, caminhos claros de reembolso e evidências de custo-efetividade. Trabalhos recentes demonstraram o potencial econômico da predição de sepse baseada em IA. Por exemplo, um estudo estimou que a otimização dos limiares de alerta de sepse entre categorias diagnósticas poderia resultar em economias de quase US$ 4,6 bilhões anuais para o sistema Medicare dos EUA, principalmente ao reduzir a utilização desnecessária e melhorar a conformidade em pontos de decisão clinicamente relevantes. No entanto, as análises de custo-efetividade continuam sendo a exceção, e não a norma. Poucos modelos passam por avaliação econômica em paralelo com estudos de validação, limitando a capacidade das partes interessadas de ponderar o benefício financeiro em relação ao custo de implementação e à carga de trabalho.

Além de quantificar economias potenciais, a adoção de sistemas de IA em cuidados intensivos é frequentemente limitada pela falta de análises econômicas em saúde precoces, evidências limitadas sobre custo-efetividade e incerteza quanto ao impacto financeiro no mundo real, fatores que dificultam decisões informadas de investimento e implementação. Essas questões sistêmicas tornam-se particularmente agudas em ambientes com poucos recursos, onde as preocupações com equidade agravam a dificuldade de implantar infraestrutura avançada de IA.

Outra perspectiva recente argumenta que as métricas de avaliação tradicionais são insuficientes para orientar a implantação de IA em escala. Em vez disso, propõe estruturas sociotécnicas que integram análise de custo-benefício com prontidão organizacional, maturidade da infraestrutura de dados e aceitação dos clínicos. Desse ponto de vista, demonstrar retorno sobre o investimento envolve não apenas economias diretas, mas também alinhamento com metas institucionais mais amplas, incluindo melhoria da qualidade e eficiência da equipe.

Em conjunto, esses achados sugerem que a integração bem-sucedida da IA no cuidado da sepse exigirá uma abordagem holística que incorpore modelagem financeira, coordenação de políticas e prontidão em nível de sistema, além do desempenho técnico. Sem atenção a essas dimensões econômicas, mesmo ferramentas bem validadas podem não conseguir gerar impacto significativo na prática clínica.
Privacidade de dados
Os sistemas de IA exigem acesso a grandes quantidades de dados, frequentemente envolvendo informações sensíveis de pacientes provenientes de prontuários eletrônicos de saúde (EHRs), resultados de exames laboratoriais e monitoramento fisiológico. No entanto, as preocupações com a privacidade e a segurança dos dados são primordiais, particularmente no contexto da conformidade com regulamentações como o Regulamento Geral sobre a Proteção de Dados (GDPR) e a Lei de Portabilidade e Responsabilidade de Seguros de Saúde (HIPAA). O desafio reside em equilibrar a utilidade desses dados para os modelos de IA com a necessidade de protegê-los contra violações ou acessos não autorizados. A HIPAA exige salvaguardas rigorosas para proteger as informações pessoais de saúde (PHI) tanto no armazenamento quanto na transmissão. Para lidar com essas preocupações, medidas de segurança avançadas, como criptografia e protocolos de acesso, são essenciais. Além disso, técnicas de preservação da privacidade, como o aprendizado federado, onde os modelos são treinados em dados descentralizados sem compartilhar informações brutas, oferecem uma forma de aproveitar os dados para a IA, mantendo padrões rigorosos de privacidade. Outra abordagem promissora é a síntese de dados, que envolve a geração de conjuntos de dados artificiais que imitam as propriedades estatísticas dos dados reais de pacientes sem expor identidades individuais; isso permite que modelos de IA sejam treinados e validados, mitigando os riscos de privacidade. Mesmo quando os dados são anonimizados, os riscos de reidentificação persistem, especialmente ao lidar com conjuntos de dados grandes e complexos. Portanto, são necessárias vigilância contínua e estratégias em evolução para garantir que os dados dos pacientes permaneçam seguros. A transparência também desempenha um papel fundamental: os pacientes devem ser informados sobre como seus dados são utilizados e protegidos, promovendo a confiança em sistemas de saúde orientados por IA. À medida que as tecnologias de IA avançam, a necessidade de estruturas de privacidade sólidas torna-se ainda mais premente. Equilibrar a inovação com uma proteção robusta dos dados garantirá que a promessa da IA na saúde não ocorra às custas da privacidade dos pacientes.
Considerações éticas e legais
Considerações éticas e legais, incluindo conformidade com GDPR e HIPAA, são essenciais para a implementação segura da IA na saúde. Além da conformidade regulatória, desafios éticos como transparência, justiça e clara responsabilização continuam críticos. A natureza de "caixa preta" de muitos algoritmos de IA levanta preocupações sobre explicabilidade, especialmente quando decisões orientadas por IA afetam os resultados dos pacientes. Para promover a confiança, profissionais de saúde e pacientes devem entender como os sistemas de IA geram recomendações. Igualmente importante é definir responsabilidade e responsabilização em caso de resultados adversos, seja para desenvolvedores, prestadores de serviços de saúde ou instituições. A falta de clareza em torno da responsabilização é uma barreira significativa para a integração da IA em ambientes clínicos de alto risco, como o tratamento de sepse. Os marcos regulatórios também desempenham um papel decisivo. Na União Europeia, o Regulamento de Dispositivos Médicos (MDR) exige certificação CE para sistemas de IA classificados como Software como Dispositivo Médico (SaMD), garantindo conformidade com padrões rigorosos de segurança, desempenho e gerenciamento de riscos. Nos Estados Unidos, a Food and Drug Administration (FDA) regula dispositivos médicos baseados em IA por meio de vias como De Novo e 510(k), que avaliam segurança, eficácia e equivalência com tecnologias existentes. Embora esses requisitos adicionem complexidade e custo, são cruciais para garantir a segurança do paciente e a confiança pública. Uma abordagem multifacetada que aborde dimensões éticas, legais e regulatórias é essencial para a integração segura da IA nos sistemas de saúde.

Direções futuras para a IA no manejo da sepse

A IA já está transformando o manejo da sepse, oferecendo avanços na detecção, diagnóstico e tratamento. À medida que as ferramentas de IA e a integração de dados multimodais evoluem, elas permitirão intervenções mais personalizadas e em tempo real para lidar com as complexidades do cuidado da sepse.

Ampliando as modalidades de entrada: Dos dados clínicos de rotina à integração de texto não estruturado, dados de ômicas e formas de onda brutas

Dados clínicos de rotina

A maioria dos algoritmos de previsão de sepse depende de dados clínicos de rotina, como dados demográficos do paciente, sinais vitais e valores laboratoriais. Por exemplo, uma metanálise recente identificou vários fatores críticos que contribuem positivamente para os escores de previsão de sepse. Esses fatores incluem frequência cardíaca, frequência respiratória, temperatura e vários valores laboratoriais e de gasometria, todos em estreita concordância com as expectativas clínicas. Além disso, preditores baseados em redes neurais emergiram como a categoria de modelo predominante para previsão de sepse. No entanto, comparações diretas de modelos entre diferentes publicações permanecem difíceis devido à heterogeneidade dos desfechos clínicos e dos ambientes clínicos. Isso urge a criação de conjuntos de dados de referência como indicadores de melhorias mensuráveis de desempenho no campo, seguindo a linha de benchmarks padronizados para melhorias mensuráveis de desempenho.
Para melhorar a precisão preditiva, a inclusão de variáveis de entrada adicionais é essencial, conforme demonstrado por estudos recentes. Estas incluem texto não estruturado, como notas de evolução, notas de enfermagem, queixas principais, relatórios diagnósticos ou resumos de alta, que podem desempenhar um papel potencial na predição de sepse. A maioria das abordagens baseia-se em características tradicionais do processamento de linguagem natural, como n-gramas, modelagem de tópicos por Alocação Latente de Dirichlet ou, mais recentemente, vetores de palavras ou codificadores de texto pré-treinados da era BERT (Representações de Codificadores Bidirecionais de Transformadores). Em particular, trabalhos recentes indicam que as informações contextuais de notas clínicas não estruturadas beneficiam especialmente tarefas de predição de sepse de longo prazo. Vale destacar que os modelos mencionados acima datam da era pré-Grandes Modelos de Linguagem (LLM). LLMs, como GPT-4 e Med-PaLM, emergiram como ferramentas poderosas na área da saúde, capazes de processar e sintetizar dados clínicos complexos. No contexto do cuidado da sepse, os LLMs têm o potencial de aprimorar o suporte à decisão clínica ao analisar rapidamente dados não estruturados de prontuários eletrônicos de saúde (EHRs), como notas clínicas, relatórios laboratoriais e achados de imagem, para auxiliar na detecção precoce e estratificação de risco. Ao fornecer resumos em tempo real do estado do paciente e destacar achados críticos, os LLMs podem apoiar os clínicos na tomada de decisões oportunas, potencialmente melhorando o reconhecimento precoce e o manejo da sepse. Além disso, a integração de LLMs nos fluxos de trabalho clínicos pode simplificar a documentação e reduzir a carga cognitiva, permitindo que os profissionais de saúde se concentrem mais no cuidado ao paciente. Essas perspectivas promissoras devem ser contrastadas com graves limitações de uma aplicação direta de LLMs, conforme destacado em um estudo recente no contexto de cuidados intensivos, nomeadamente, níveis de desempenho em parte significativamente piores em comparação com médicos, falha em seguir diretrizes ou em interpretar certos tipos de informações clínicas, como valores laboratoriais.
A integração de diagnósticos ômicos representa outra abordagem, que pode aprimorar a predição de sepse quando combinada com métodos de ML. Tecnologias ômicas, como genômica, proteômica, metabolômica e transcriptômica, podem revolucionar o manejo da sepse ao oferecer insights mais profundos sobre a base molecular da doença e potencialmente revelar novos alvos terapêuticos. Por meio da análise dos dados ômicos dos pacientes, os clínicos podem identificar biomarcadores específicos associados a diferentes fenótipos de sepse, orientando intervenções mais direcionadas. A Figura 1 destaca o papel dos modelos de IA no avanço da validação de biomarcadores e no suporte ao cuidado personalizado da sepse por meio da integração de dados ômicos. Por exemplo, a genômica pode revelar predisposições genéticas à sepse, enquanto a proteômica e a metabolômica podem identificar biomarcadores indicativos de disfunções orgânicas específicas. Esses avanços permitem uma abordagem de tratamento mais estratificada, com decisões terapêuticas informadas pelo perfil molecular único de cada paciente. Até o momento, a maioria dos diagnósticos ômicos representa medições não rotineiras e raramente passou por validação prospectiva. Com o surgimento de marcadores ômicos, pode-se esperar uma expansão desse campo, potencialmente levando a novos avanços no diagnóstico e tratamento da sepse.

Estrutura conceitual para a integração orientada por IA de dados ômicos no cuidado da sepse. Este esquema ilustra o fluxo de trabalho em camadas para a medicina de precisão na sepse, possibilitado pela inteligência artificial (IA). Diversas fontes de dados ômicos — incluindo modalidades rotineiras (genômica, proteômica) e emergentes (epigenômica, transcriptômica, metabolômica) — servem como entradas para uma camada de processamento de IA. Essa camada realiza tarefas como extração de características, reconhecimento de padrões, validação de biomarcadores e integração em tempo real de dados ômicos. Os resultados resultantes apoiam aplicações clinicamente relevantes, incluindo atribuição de subfenótipos (por exemplo, α, β, γ, δ), estratificação de risco (por exemplo, mortalidade em 28 dias) e orientação de tratamento personalizado (por exemplo, imunoterapia). Esta estrutura destaca o potencial da IA para conectar insights moleculares e tomada de decisão clínica no manejo da sepse.
À medida que os modelos de IA continuam evoluindo, a integração de dados ômicos e capacidades aprimoradas de reclassificação em tempo real oferecem o potencial de fornecer estratégias de medicina de precisão adaptadas à natureza dinâmica e heterogênea da sepse. A integração de dados em tempo real será vital para aumentar a precisão do atendimento. À medida que as condições dos pacientes mudam, esses modelos podem atualizar dinamicamente as classificações fenotípicas, garantindo que os tratamentos permaneçam responsivos e alinhados com o quadro clínico atual. Tal adaptabilidade permitirá que os médicos tomem decisões mais eficazes e oportunas. A capacidade de detectar padrões complexos em grandes conjuntos de dados torna os sistemas avançados particularmente valiosos para o tratamento personalizado. A incorporação de dados moleculares permitirá classificações ainda mais precisas, avançando ainda mais a medicina personalizada. Além disso, a reclassificação dinâmica dos pacientes com base em dados continuamente atualizados garante que as estratégias de tratamento permaneçam relevantes à medida que as condições dos pacientes evoluem. Isso minimiza os riscos de supertratamento ou subtratamento.
Embora os modelos de IA mostrem potencial na integração de dados multimodais, incluindo ômicos, no manejo da sepse, a aplicação clínica em tempo real de dados ômicos ainda é limitada. Os ensaios ômicos atuais, como genômica, proteômica e metabolômica, geralmente exigem fluxos de trabalho laboratoriais complexos e tempos de processamento prolongados, tornando-os impraticáveis para uso no ponto de atendimento em situações agudas. Falta plataformas validadas de testes no ponto de atendimento (POCT) capazes de fornecer diagnósticos ômicos em tempo real na sepse. No entanto, avanços em tecnologias de diagnóstico rápido, como biossensores e dispositivos POCT, demonstraram potencial para detecção quase em tempo real de biomarcadores relevantes para a sepse. Por exemplo, novos biossensores baseados em nanotecnologia alcançaram detecção rápida de patógenos em amostras de soro em segundos, e sistemas POCT para biomarcadores como proteína C-reativa, procalcitonina e interleucina-6 são cada vez mais utilizados no manejo da sepse neonatal. Além disso, a integração de POCT para biomarcadores básicos, como lactato e parâmetros do hemograma completo, foi implementada com sucesso em ambientes clínicos remotos para melhorar a detecção e triagem oportuna da sepse. Embora a integração completa de múltiplos ômicos em fluxos de trabalho clínicos em tempo real ainda seja uma área para desenvolvimento futuro, esses avanços nos testes rápidos de biomarcadores são passos importantes em direção a diagnósticos de sepse mais responsivos.
Outra categoria de modalidades de entrada promissoras compreende dados de forma de onda, que abrangem ECG, fotopletismograma (PPG) e pressão arterial capturados em altas frequências de amostragem. As abordagens de análise de forma de onda podem ser amplamente categorizadas em abordagens baseadas em características e baseadas em séries temporais brutas. Quanto às abordagens baseadas em características, um conjunto limitado de características de especialistas extraídas dos dados de forma de onda, como a VFC no caso do ECG, são conhecidas por serem muito preditivas e amplamente consideradas em modelos preditivos. Trabalhos recentes demonstram ainda que breves segmentos de dados de forma de onda, frequentemente de apenas cinco minutos, podem gerar características interpretáveis, como variabilidade da frequência cardíaca (VFC), tempo de chegada do pulso (PAT) e variabilidade da pressão arterial média (MAPV), que são preditivas do início do choque séptico bem antes do reconhecimento clínico. As características de VFC comumente incluem índices no domínio do tempo (ex.: SDNN, RMSSD), métricas no domínio da frequência (ex.: razão LF/HF) e medidas não lineares (ex.: entropia, gráficos de Poincaré), todas as quais refletem a regulação autonômica e a dinâmica de perfusão. Para extrair tais características e preparar dados para modelos de IA, são necessários métodos de pré-processamento, como filtragem de ruído, remoção de artefatos e detecção de picos. Métodos mais avançados, como a decomposição tensorial (ex.: Decomposição Poliádica Canônica), foram aplicados com sucesso para reter a estrutura espaço-temporal em fluxos de forma de onda multivariados, melhorando o desempenho preditivo enquanto reduzem a dimensionalidade dos dados.
Em contraste com as características artesanais, as formas de onda brutas capturam uma ampla gama de condições que não pertencem necessariamente a um único sistema orgânico. Em estudos de ECG aprimorados por IA, por exemplo, modelos de aprendizado profundo demonstraram a capacidade de inferir inúmeras condições cardíacas e não cardíacas, como diabetes e cirrose, a partir de um único ECG, mesmo dentro de um único modelo unificado. Notavelmente, estudos exploratórios iniciais sobre predição de sepse sugerem que o uso dos dados completos de forma de onda oferece uma fonte de informação mais abrangente, em linha com um estudo recente que destaca o valor agregado das formas de onda brutas para tarefas diagnósticas gerais e tarefas de deterioração do paciente no PS, amplamente em todas as tarefas consideradas. Uma grande variedade de arquiteturas de aprendizado profundo, incluindo redes neurais convolucionais (CNNs) e modelos híbridos CNN–LSTM, foram aplicadas com sucesso para capturar padrões espaço-temporais na dinâmica das formas de onda. Trabalhos mais recentes exploram o uso de modelos transformer ou modelos de espaço de estado estruturados para extrair representações de forma de onda que sejam informativas para tarefas de predição em um contexto de cuidados críticos. Portanto, parece muito provável que incluir dados de forma de onda bruta também aumentará a precisão preditiva para sepse e permitirá uma estratificação de pacientes mais sutil.
Multimodalidade
Multimodalidade, que se refere à integração de diversos tipos de dados, como dados clínicos, de imagem, genômicos e de sensores, é um paradigma emergente em modelos de predição clínica. Um desafio central continua sendo a necessidade de contornar a exigência de grandes conjuntos de dados de treinamento que cubram várias ou, no pior dos casos, todas as modalidades em todas as amostras, o que seria indispensável para treinar um modelo de predição multimodal monolítico do zero. Dois componentes de solução surgiram recentemente para enfrentar esse desafio: o uso de abordagens modulares com modelos codificadores específicos de modalidade combinados com pré-treinamento específico de modalidade. As representações de saída resultantes dos diferentes modelos codificadores podem então ser combinadas usando modelos de predição relativamente rasos, como demonstrado em contextos de UTI/emergência. O pré-treinamento de modelos codificadores em dados de prontuário eletrônico (EHR) permite construir, por exemplo, modelos multimodais que combinam dados de EHR com dados ômicos, exigindo apenas algumas centenas de amostras com dados pareados de ambas as modalidades. No contexto da sepse, a integração de fluxos de dados multimodais, incluindo observações clínicas, valores laboratoriais, biomarcadores moleculares e dados de saúde gerados pelo paciente, pode permitir a estratificação de pacientes em tempo real e a fenotipagem dinâmica. Ao integrar fontes de dados como genômica, proteômica e dispositivos vestíveis, sistemas avançados podem avaliar continuamente a condição de um paciente, fornecendo estratégias de tratamento personalizadas que evoluem com o estado de saúde do paciente. Aproveitar a biologia de sistemas apoiada por IA para analisar interações dinâmicas entre genes, proteínas e metabólitos tem o potencial de facilitar a avaliação contínua e orientar intervenções personalizadas no cuidado da sepse em tempo real. Inteligência Artificial Médica Generalista em sepse
Atualmente, as capacidades dos modelos de predição de sepse ainda são bastante limitadas. No entanto, há, sem dúvida, perspectivas promissoras no horizonte para uma inteligência artificial médica generalista. Tal modelo, baseado em conhecimento médico, pode ser construído sobre um modelo fundamental meticulosamente pré-treinado em conjuntos de dados extensos e diversos, equipados com capacidades de entrada e saída multimodais. Ele poderia ter a capacidade de abordar perguntas específicas relacionadas a pacientes individuais. Não apenas recuperaria casos semelhantes, mas também forneceria recomendações terapêuticas fundamentadas em diretrizes atuais e literatura de pesquisa. Por exemplo, tais sistemas poderiam consolidar tarefas atualmente tratadas por algoritmos separados, como otimizar a seleção de antibióticos, a descalonamento e a predição de resistência, pilares centrais da gestão eficaz de antibióticos na sepse. Protótipos iniciais para tais sistemas integrados, incluindo modelos de aprendizado por reforço e ferramentas de suporte à decisão em tempo real, já demonstraram viabilidade em ambientes clínicos ou simulados. Para concretizar essa visão, a IA pode precisar adquirir habilidades de raciocínio contrafactual, permitindo-lhe avaliar a eficácia potencial de intervenções terapêuticas específicas. Além disso, a IA generalista poderia aproveitar dados contínuos de forma de onda e hemodinâmicos para melhorar as decisões de gerenciamento de fluidos, prevendo a responsividade a fluidos em tempo real, um desafio que ainda é mal abordado no cuidado atual da sepse.

Conclusões
A inteligência artificial possui um potencial significativo para transformar o manejo da sepse em três domínios críticos: detecção precoce, fenotipagem de pacientes e suporte à decisão clínica. Embora cada uma dessas aplicações aborde um aspecto distinto do fluxo de trabalho clínico – tempestividade da intervenção, compreensão da heterogeneidade biológica e otimização das decisões terapêuticas – elas são interdependentes e devem evoluir em conjunto. Integrar insights entre esses domínios é essencial para aproveitar plenamente o potencial da IA na melhoria dos desfechos da sepse (Fig. 2). Para acelerar a tradução segura e eficaz da IA para a prática clínica real, várias prioridades emergem. Primeiro, os modelos devem ser rigorosamente validados em estudos clínicos prospectivos projetados para refletir a complexidade do mundo real e atender às expectativas regulatórias. Segundo, a integração bem-sucedida exigirá estratégias de design centradas no ser humano que envolvam clínicos e pacientes desde o início, garantindo usabilidade, interpretabilidade e alinhamento com os fluxos de trabalho clínicos. Por fim, a adoção depende da viabilidade econômica e da prontidão institucional, questões que exigem modelos de reembolso favoráveis e evidências de custo-efetividade. Em última análise, a promessa da IA na sepse não está em substituir a expertise clínica, mas em aumentá-la com insights oportunos baseados em dados. À medida que o campo amadurece, será fundamental ir além dos benchmarks técnicos e focar em desfechos centrados no paciente, contando com colaboração interdisciplinar e aprendizado iterativo. Um foco deliberado em validação, usabilidade e equidade determinará se a IA se tornará um componente rotineiro do cuidado de alta qualidade da sepse.
Arquitetura de IA multimodal para predição de sepse, suporte clínico e inovação terapêutica. Este esquema ilustra como diversos dados de entrada – desde variáveis clínicas rotineiras e sinais de forma de onda brutos até biomarcadores circulantes – podem ser integrados por meio de métodos avançados de IA para apoiar múltiplas aplicações a jusante no cuidado da sepse. A camada de processamento de IA emprega técnicas como aprendizado de representação, validação de biomarcadores e quantificação de incerteza para derivar insights clinicamente acionáveis. As saídas incluem sistemas de detecção precoce (ex.: TREWS, InSight), ferramentas de suporte à decisão de tratamento (ex.: SERA) e abordagens de subfenotipagem que informam a estratificação de risco, o enriquecimento de ensaios e o momento da imunoterapia. Além disso, a estrutura destaca o papel emergente da IA na descoberta de medicamentos, incluindo a identificação de alvos terapêuticos, reaproveitamento de candidatos e predição personalizada da variabilidade de resposta a medicamentos. Esta figura sintetiza o escopo funcional da IA tanto no leito quanto nos domínios translacionais no manejo da sepse.
Abreviaturas
IA
Inteligência Artificial
RAM
Resistência Antimicrobiana
AUC
Área Sob a Curva
COMPOSER
Predição de Risco de Sepse Baseada em Contexto e Módulo
DTR
Regimes de Tratamento Dinâmicos
RE
Registro Eletrônico de Saúde
eSOFA
Avaliação Sequencial de Falência de Órgãos Eletrônica
FDA
Food and Drug Administration
HIPAA
Health Insurance Portability and Accountability Act
ICU
Intensive Care Unit
LLM
Large Language Model
ML
Machine Learning
NLP
Natural Language Processing
OMICs
Omics Technologies (e.g., genomics, transcriptomics, proteomics, metabolomics)
POCT
Point–of–Care Testing
PPG
Photoplethysmogram
PPV
Positive Predictive Value
RCT
Randomized Controlled Trial
SOFA
Sequential Organ Failure Assessment
TREWS
Targeted Real–Time Early Warning System
XAI
Explainable Artificial Intelligence

Nota da Editora
A Springer Nature permanece neutra em relação a reivindicações jurisdicionais em mapas publicados e afiliações institucionais.

Contribuições dos autores
NS e HH conceberam o manuscrito. PP, NS e HH estruturaram a revisão. MH e JM escreveram as seções clínicas; HB contribuiu com o conteúdo de IA; NS escreveu as partes de aprendizado de máquina; TJL abordou a avaliação estatística. NS e HH revisaram e editaram o manuscrito. As figuras foram desenhadas por HB e HH. A coordenação do projeto foi feita por PP.

Financiamento
O financiamento de acesso aberto foi fornecido pela Universidade de Lund. Este estudo não recebeu financiamento.

Disponibilidade de dados
Nenhum conjunto de dados foi gerado ou analisado durante o presente estudo.

Declarações
Aprovação ética e consentimento para participação
Não aplicável.

Consentimento para publicação
Não aplicável.

Interesses concorrentes
Os autores declaram não haver interesses concorrentes.

Referências
Sepse grave e choque séptico
Incidência e mortalidade global, regional e nacional de sepse, 1990–2017: análise do estudo da carga global de doenças
Duas décadas de tendências de mortalidade entre pacientes com sepse grave: uma metanálise comparativa
Tempo até o tratamento e mortalidade durante o atendimento de emergência obrigatório para sepse
Sepse e choque séptico
Eventos cardiovasculares entre sobreviventes de hospitalização por sepse: uma análise de coorte retrospectiva
Nedeva C. Inflamação e morte celular do sistema imune inato e adaptativo durante a sepse. Biomolecules 2021, 11(7). 10.3390/biom11071011
Papéis das anormalidades de coagulação e microtrombose na sepse: fisiopatologia, diagnóstico e tratamento
Perfil da resposta imune desregulada na sepse: superando desafios para alcançar o objetivo da medicina de precisão
Tempo até antibióticos e desfechos clínicos em pacientes com sepse e choque séptico: um estudo prospectivo multicêntrico nacional de coorte
Sepse e choque séptico
Carga global de resistência antimicrobiana bacteriana 1990–2021: uma análise sistemática com previsões para 2050
Vincent JL, van der Poll T, Marshall JC. O fim das terapias de sepse de tamanho único: em direção a uma abordagem individualizada. Biomedicines 2022, 10(9). 10.3390/biomedicines10092260
Campanha de Sobrevivência à Sepse: diretrizes internacionais para o manejo da sepse e choque séptico 2021
Novas abordagens para o diagnóstico da sepse
Im Y, Kang D, Ko RE, Lee YJ, Lim SY, Park S, Na SJ, Chung CR, Park MH, Oh DK et al. Tempo para antibióticos e desfechos clínicos em pacientes com sepse e choque séptico: um estudo de coorte multicêntrico prospectivo nacional. Crit Care 2022, 26(1). 10.1186/s13054-021-03883-0
Vazamento vascular na sepse: base fisiológica e potenciais avanços terapêuticos
Coagulopatia induzida por sepse: uma revisão narrativa abrangente da fisiopatologia, apresentação clínica, diagnóstico e estratégias de manejo
Implicações do uso de inteligência artificial no diagnóstico de sepse/choque séptico
A fisiopatologia da sepse e a imunoterapia baseada em medicina de precisão
Aproveitando a inteligência artificial no cuidado da sepse: avanços na detecção precoce, tratamento personalizado e monitoramento em tempo real
Stylianides C, Nicolaou A, Sulaiman WA, Alexandropoulou CA, Panagiotopoulos I, Karathanasopoulou K, Dimitrakopoulos G, Kleanthous S, Politi E, Ntalaperas D et al. Avanços da IA na UTI com ênfase na predição de sepse: uma visão geral. Mach Learn Know Extr 2025, 7(1). 10.3390/make7010006
Algoritmos de aprendizado de máquina na sepse
Gao YL, Wang CL, Shen JX, Wang ZY, Liu YC, Chai YF. Revisão sistemática e metanálise em rede de algoritmos de aprendizado de máquina na predição de sepse. Expert Syst Appl 2024, 245. 10.1016/j.eswa.2023.122982
Um modelo de aprendizado de máquina para predição precisa de sepse em pacientes de UTI
Uma abordagem computacional para detecção precoce de sepse
Efeito de um algoritmo de predição de sepse grave baseado em aprendizado de máquina na sobrevida do paciente e no tempo de internação hospitalar: um ensaio clínico randomizado
Impacto prognóstico do início precoce versus tardio da terapia de substituição renal baseada em algoritmo de alerta precoce em pacientes críticos com lesão renal aguda
Viés de suspeita diagnóstica e aprendizado de máquina: quebrando o impasse de conscientização para detecção de sepse
Goh KH, Wang L, Yeow AYK, Poh H, Li K, Yeow JJL, Tan GYH. Inteligência artificial na predição precoce e diagnóstico de sepse usando dados não estruturados na saúde. Nat Commun 2021, 12(1). 10.1038/s41467-021-20910-4
Inteligência artificial para detecção precoce de sepse: uma palavra de cautela
Ensaios clínicos randomizados ou controles convenientes: TREWS ou FALSE?
Inteligência artificial na predição precoce e diagnóstico de sepse usando dados não estruturados na saúde
Estudo prospectivo multicêntrico dos desfechos dos pacientes após a implementação do sistema de alerta precoce baseado em aprendizado de máquina TREWS para sepse
Inteligência artificial para detecção precoce de sepse: uma palavra de cautela
Eficácia do sistema de alerta automatizado em comparação ao cuidado usual para o manejo da sepse
Avaliação de desempenho de modelos preditivos de IA para apoiar decisões médicas: visão geral e orientações
O clínico de inteligência artificial aprende estratégias de tratamento ideais para sepse em terapia intensiva
Validação externa de um modelo preditivo de sepse proprietário amplamente implementado em pacientes hospitalizados
Impacto de um modelo de predição de sepse baseado em aprendizado profundo na qualidade do cuidado e na sobrevida
A aplicação de inteligência artificial no manejo da sepse
Derivação, validação e potenciais implicações terapêuticas de novos fenótipos clínicos para sepse
Desenvolvimento e validação de novos subfenótipos de sepse usando trajetórias de sinais vitais
Identificação de subgrupos de choque séptico para adaptar estratégias de fluidos através da integração multi-ômica
Komorowski M, Green A, Tatham KC, Seymour C, Antcliffe D. Biomarcadores de sepse e ferramentas de diagnóstico com foco em aprendizado de máquina. Ebiomedicine 2022, 86. 10.1016/j.ebiom.2022.104394
Festor P, Jia Y, Gordon AC, Faisal AA, Habli I, Komorowski M. Assegurando a segurança de sistemas de suporte à decisão clínica baseados em IA: um estudo de caso do clínico de IA para tratamento de sepse. BMJ Health Care Inf 2022, 29(1). 10.1136/bmjhci-2022-100549
O clínico de inteligência artificial aprende estratégias de tratamento ideais para sepse em terapia intensiva
Iniciação ideal de vasopressina no choque séptico: o estudo de aprendizado por reforço OVISS
Sistema de suporte à decisão clínica para avaliar o risco de sepse usando redes bayesianas aumentadas por árvores e dados de prontuário eletrônico
Jeon E, Choi JH, Suk HI. ADT(2)R: transformador de decisão adaptativa para regimes de tratamento dinâmicos na sepse. IEEE Trans Neural Netw Learn Syst 2024, PP. 10.1109/TNNLS.2024.3442243
As definições do terceiro consenso internacional para sepse e choque séptico (Sepsis-3)
Vigilância de sepse usando critérios SOFA versus ESOFA baseados em dados de EHR de rotina
Alerta para ação: implementando ferramentas de suporte à decisão clínica orientadas por inteligência artificial para sepse
Implantação de algoritmos de aprendizado de máquina para prever sepse: revisão sistemática e aplicação do quadro de implementação de IA clínica SALIENT
Programas de melhoria de desempenho em sepse: da evidência à implementação clínica
Moor M, Bennett N, Plecko D, Horn M, Rieck B, Meinshausen N, Bühlmann P, Borgwardt K. Predição de sepse usando aprendizado profundo em sites internacionais: a e validação. Eclinicalmedicine 2023, 62. 10.1016/j.eclinm.2023.102124
Boussina A, Shashikumar SP, Malhotra A, Owens RL, El-Kareh R, Longhurst CA, Quintero K, Donahue A, Chan TC, Nemati S et al. Impacto de um modelo de predição de sepse por aprendizado profundo na qualidade do cuidado e sobrevida. Npj Digit Med 2024, 7(1). 10.1038/s41746-023-00986-6
Estudo prospectivo e multicêntrico dos desfechos dos pacientes após implementação do sistema de alerta precoce baseado em aprendizado de máquina TREWS para sepse
Medicina digital digitalizando a predição e o manejo da sepse
Validação externa de um modelo proprietário de predição de sepse amplamente implementado em pacientes hospitalizados (181, Pg 1065, 2021)
Joshi G, Jain A, Araveeti SR, Adhikari S, Garg H, Bhandari M. Dispositivos médicos habilitados por inteligência artificial e aprendizado de máquina (IA/AM) aprovados pela FDA: um panorama atualizado. Electronics-Switz 2024, 13(3). 10.3390/electronics13030498
Análise causal passo a passo de EHRs para fundamentar decisão
Aplicação de florestas causais a dados de ensaios clínicos randomizados para identificar efeitos heterogêneos do tratamento: um estudo de caso
Ensaios clínicos randomizados de inteligência artificial na prática clínica: revisão sistemática
Bhargava A, López-Espina C, Schmalz L, Khan S, Watson GL, Urdiales D, Updike L, Kurtzman N, Dagan A, Doodlesack A et al. Ferramenta de IA/ML autorizada pela FDA para predição de sepse: desenvolvimento e validação. NEJM AI 2024:10.1056/AIoa2400867
Uma revisão de escopo das lacunas de relato em dispositivos médicos de IA aprovados pela FDA
Predição precoce de sepse em pacientes de terapia intensiva usando o algoritmo de aprendizado de máquina NAVOY(R) sepse, um estudo prospectivo randomizado de validação clínica
Desenvolvimento e implementação prospectiva de um sistema baseado em modelo de linguagem amplo para predição precoce de sepse
Avaliando a generalizabilidade do sepsis watch por meio de validação externa multissítio de um modelo de aprendizado de máquina para sepse
Armadilhas da IA e o que não fazer: mitigando viés em IA
Yesil MR, Talli I, Pelloso M, Cosma C, Pangrazzi E, Plebani M, Ustundag Y, Padoan A. Impacto do viés analítico em modelos de aprendizado de máquina para predição de sepse usando dados laboratoriais. Clin Chem Lab Med 2025. 10.1515/cclm-2025-0491
Explicando aprendizado profundo para análise de ECG: blocos de construção para auditoria e descoberta de conhecimento
A falsa esperança das abordagens atuais para inteligência artificial explicável na saúde
Implementação de um algoritmo de inteligência artificial para detecção de sepse
Prevenindo sepse; como a inteligência artificial pode informar o processo de tomada de decisão clínica? Uma revisão sistemática
As oportunidades e desafios da inteligência artificial para melhorar os resultados da sepse na unidade de terapia intensiva pediátrica
Integrando aprendizado federado para explicações contrafactuais aprimoradas em sistemas de suporte à decisão clínica para terapia de sepse
Transformando o cuidado neonatal com inteligência artificial: desafios, considerações éticas e oportunidades
Banja JD, Xie Y, Smith JR, Rana S, Holder AL: Mitigando viés em modelos de aprendizado de máquina com iniciativas baseadas em ética: o caso da sepse. Am J Bioeth 2025:1–14. 10.1080/15265161.2025.2497971
Avaliando o cuidado equitativo na UTI: criando um modelo de inferência causal para avaliar o impacto de intervenções de suporte à vida entre grupos raciais e étnicos
Lam JY, Boussina A, Shashikumar SP, Owens RL, Nemati S, Josef CS. O impacto da falta de dados laboratoriais na pontualidade do diagnóstico de sepse. Jamia Open 2024, 7(3). 10.1093/jamiaopen/ooae085
Iqbal F, Chandra P, Khan AA, Lewis LES, Acharya D, Vandana KE, Jayashree P, Shenoy PA. Predição de mortalidade entre neonatos com sepse na unidade de terapia intensiva neonatal: uma abordagem de aprendizado de máquina. Clin Epidemiol Glob 2023, 24. 10.1016/j.cegh.2023.101414
Bomrah S, Uddin M, Upadhyay U, Komorowski M, Priya J, Dhar E, Hsu SC, Syed-Abdul S. Uma revisão de escopo do aprendizado de máquina para predição de sepse - estratégias de engenharia de atributos e desempenho do modelo: um passo em direção à explicabilidade. Crit Care 2024, 28(1). 10.1186/s13054-024-04948-6
Triagem de sepse pediátrica em hospitais dos EUA
Lamproudis A, Henriksson A, Valik JK, Naucler P. Melhorando a pontualidade dos modelos de predição precoce para sepse por meio da otimização da utilidade. Proc Int C Tools Art 2022:1062–9. 10.1109/ICTAI56018.2022.00162
IA biomédica multimodal
Custos hospitalares da sepse ao redor do mundo: Uma revisão sistemática explorando a carga econômica da sepse
Quantificando as percepções dos profissionais de saúde sobre um novo algoritmo de aprendizado profundo para predizer sepse: pesquisa eletrônica
Zhang S, Yu J, Xu X, Yin C, Lu Y, Yao B, Tory M, Padilla LM, Caterino J, Zhang P et al. Repensando a Colaboração Humano-IA na Tomada de Decisão Médica Complexa: Um Estudo de Caso no Diagnóstico de Sepse. Proc SIGCHI Conf Hum Factor Comput Syst 2024, 2024.
Otimizando a implementação de modelos preditivos clínicos para minimizar custos nacionais: estudo de caso da sepse
O valor da inteligência artificial para o tratamento de pacientes em unidade de terapia intensiva em ventilação mecânica: uma avaliação inicial de tecnologia em saúde
Crise evitada: um mundo unido contra a ameaça das superbactérias multirresistentes - vacinas anti-AMR pioneiras, interferência de RNA, nanomedicina, antimicrobianos baseados em CRISPR, terapias com bacteriófagos e estratégias clínicas de inteligência artificial para proteger o arsenal antimicrobiano global
Denecke K, Baudoin CR. Uma revisão da inteligência artificial e robótica em ecossistemas de saúde transformados. Front Med-Lausanne 2022, 9. 10.3389/fmed.2022.795957
Desafios associados à privacidade na indústria de saúde: implementação da HIPAA e das regras de segurança
Gerenciar a conformidade com a HIPAA inclui considerações legais e éticas
Uma estrutura de aprendizado federado adaptativo para predição de risco clínico com registros eletrônicos de saúde de múltiplos hospitais
HIPAA e o vazamento de dados de EHR desidentificados
Petersson L, Vincent K, Svedberg P, Nygren JM, Larsson I. Considerações éticas na implementação de IA para predição de mortalidade no departamento de emergência: vinculando teoria e prática. Digit Health 2023, 9. 10.1177/20552076231206588
Santacroce E, D’Angerio M, Ciobanu AL, Masini L, Lo Tartaro D, Coloretti I, Busani S, Rubio I, Meschiari M, Franceschini E et al.: avanços e desafios no manejo da sepse: ferramentas modernas e direções futuras. Cells 2024, 13(5). 10.3390/cells13050439
Boussina A, Wardi G, Shashikumar SP, Malhotra A, Zheng K, Nemati S. Aprendizado de representação e agrupamento espectral para o desenvolvimento e validação externa de fenótipos dinâmicos de sepse: estudo de coorte observacional. J Med Internet Res 2023, 25. 10.2196/45614
Aprendizado de máquina para a predição de sepse: uma revisão sistemática e meta-análise da acurácia de testes diagnósticos
Yadgarov MY, Landoni G, Berikashvili LB, Polyakov PA, Kadantseva KK, Smirnova AV, Kuznetsov IV, Shemetova MM, Yakovlev AA, Likhvantsev VV. Detecção precoce de sepse usando algoritmos de aprendizado de máquina: uma revisão sistemática e metanálise em rede. Front Med-Lausanne 2024, 11. 10.3389/fmed.2024.1491358
Chen E, Kansal A, Chen J, Jin BT, Reisler JR, Kim DA, Rajpurkar P. Benchmark clínico multimodal para atendimento de emergência (MC-BEC): um benchmark abrangente para avaliar modelos de base em medicina de emergência. Adv Neur In 2023. 10.48550/arXiv.2311.04937
Predição de sepse, detecção precoce e identificação usando texto clínico para aprendizado de máquina: uma revisão sistemática
Li Q, Ma HB, Song D, Bai YP, Zhao LN, Xie KL. Predição precoce de sepse usando resumos gerados por chatGPT e dados estruturados. Multimed Tools Appl 2024. 10.1007/s11042-024-18378-7
Aityan SK, Mosaddegh A, Herrero R, Inchingolo F, Nguyen KCD, Balzanelli M, Lazzaro R, Iacovazzo N, Cefalo A, Carriero L et al. Sistema Integrado de Aconselhamento Diagnóstico Médico de Emergência com IA. Electronics-Switz 2024, 13(22).
Hager P, Jungmann F, Holland R, Bhagat K, Hubrecht I, Knauer M, Vielhauer J, Makowski M, Braren R, Kaissis G et al. Avaliação e mitigação das limitações de grandes modelos de linguagem na tomada de decisão clínica. Nat Med 2024, 30(9). 10.1038/s41591-024-03097-1
Biomarcadores de sepse e ferramentas diagnósticas com foco em aprendizado de máquina
Huang PF, Liu YQ, Li Y, Xin Y, Nan CC, Luo YH, Feng YT, Jin NN, Peng YH, Wang DW et al. A integração multi-ômica baseada em metabolômica e proteômica revela alterações precoces de metabólitos na lesão renal aguda associada à sepse. Bmc Med 2025, 23(1). 10.1186/s12916-025-03920-7
Mi YX, Burnham KL, Charles PD, Heilig R, Vendrell I, Whalley J, Torrance HD, Antcliffe DB, May SM, Neville MJ et al. Espectrometria de massa de alto rendimento mapeia o proteoma plasmático da sepse e diferenças na resposta do paciente. Sci Transl Med 2024, 16(750). 10.1126/scitranslmed.adh0185
Reformulando a imunobiologia da sepse para tradução: rumo à subtipagem informativa e terapias imunomoduladoras direcionadas
Aprendizado de representação e agrupamento espectral para o desenvolvimento e validação externa de fenótipos dinâmicos de sepse: estudo de coorte observacional
Integração no mundo real de uma tecnologia de aprendizado profundo para sepse na prática clínica rotineira: estudo de implementação
Sheini A. Um sensor de teste point-of-care baseado em nanoclusters fluorescentes para detecção rápida de septicemia em crianças. Sens Actuat B-Chem 2021, 328. 10.1016/j.snb.2020.129029
Acurácia diagnóstica do teste point-of-care de proteína C reativa, interleucina-6 e procalcitonina em neonatos com suspeita clínica de sepse: um estudo observacional prospectivo
Teste point-of-care para sepse em regiões remotas da Austrália e para povos originários
Soliman MM, Marshall C, Kimball JP, Choudhary T, Clermont G, Pinsky MR, Buchman TG, Coopersmith CM, Inan OT, Kamaleswaran R. Características parcimoniosas derivadas de formas de onda consistindo em tempo de chegada do pulso e variabilidade da frequência cardíaca predizem o início do choque séptico. Biomed Signal Process Control 2024, 92. 10.1016/j.bspc.2024.105974
Avançando na detecção precoce de sepse com redes convolucionais temporais usando sinais de ECG
Predição contínua da trajetória da sepse usando sinais fisiológicos reduzidos por tensor
Perspectivas para o eletrocardiograma aprimorado por inteligência artificial como ferramenta unificada de triagem para condições cardíacas e não cardíacas: um estudo exploratório em atendimento de emergência
Uma abordagem de aprendizado de máquina para aproveitar registros eletrônicos de saúde para análise aprimorada de ômicas
Aprimorando o suporte à decisão clínica com formas de onda fisiológicas - Um benchmark multimodal em atendimento de emergência
Prevendo a descompensação do paciente a partir de monitoramento fisiológico contínuo no departamento de emergência
Soenksen LR, Ma Y, Zeng C, Boussioux L, Carballo KV, Na LY, Wiberg HM, Li ML, Fuentes I, Bertsimas D. Estrutura integrada de inteligência artificial multimodal para aplicações em saúde. Npj Digit Med 2022, 5(1). 10.1038/s41746-022-00689-4
Sundrani S, Chen JL, Jin BT, Abad ZSH, Rajpurkar P, Kim D. Prevendo a descompensação do paciente a partir de monitoramento fisiológico contínuo no departamento de emergência. Npj Digit Med 2023, 6(1). 10.1038/s41746-023-00803-0
Mataraso SJ, Espinosa CA, Seong D, Reincke SM, Berson E, Reiss JD, Kim Y, Ghanem M, Shu CH, James T et al. Uma abordagem de aprendizado de máquina para aproveitar registros eletrônicos de saúde para análise aprimorada de ômicas. Nat Mach Intell 2025, 7(2). 10.1038/s42256-024-00974-9
Zhao TY, Liu JX, Zeng X, Wang W, Li S, Zang TY, Peng JJ, Yang Y. Predição e coleta de interações proteína-metabólito. Brief Bioinform 2021, 22(5). 10.1093/bib/bbab014
Modelos fundamentais para inteligência artificial médica generalista
Podemos confiar na inteligência artificial para orientar a terapia antimicrobiana? Uma revisão sistemática da literatura
Melhorando a precisão da reanimação de choque ao prever a responsividade a fluidos com aprendizado de máquina e dados de forma de onda de pressão arterial