Inteligência Artificial Na Medicina Laboratorial: Superando a Limitação De Biomarcadores Isolados Na Predição De Mortalidade Na Emergência
Year: 2026
Type: article
Study design: Observational Study
Abstract: Introdução Na emergência cardiológica, pacientes com troponina elevada representam um grupo heterogêneo de risco, tornando a tomada de decisão clínica um desafio. Tradicionalmente, o laboratório atua fornecendo resultados isolados; contudo, a avaliação de biomarcadores absolutos de forma independente muitas vezes falha em predizer desfechos graves com precisão. Com o avanço da inteligência artificial (IA) e do machine learning na medicina laboratorial, tornou-se possível integrar múltiplas variáveis bioquímicas e de fase aguda de forma simultânea, identificando padrões complexos de risco não detectáveis pelas análises convencionais. Objetivo Desenvolver e avaliar um modelo preditivo baseado em machine learning para predizer a mortalidade hospitalar em pacientes com troponina elevada, integrando marcadores analíticos de bancada (hipoperfusão e função renal). Material e Métodos Trata-se de um estudo observacional, retrospectivo e analítico, baseado em uma amostra piloto de 40 pacientes adultos atendidos na emergência cardiológica com dosagem de troponina acima do valor de referência. Foram extraídas do prontuário eletrônico as seguintes variáveis preditoras: Troponina, Creatinina, Ureia, Lactato e Idade. Após a imputação de dados faltantes pela técnica da mediana, um algoritmo de Regressão Logística foi treinado para classificar o desfecho clínico primário (alta versus óbito). O desempenho preditivo do modelo foi avaliado pela métrica Area Under the Receiver Operating Characteristic Curve (AUC-ROC) e pela análise de importância das variáveis, utilizando os pesos dos coeficientes matemáticos calculados pelo algoritmo. Resultados Dos 40 pacientes analisados, 26 (65%) receberam alta e 14 (35%) evoluíram para óbito. A análise descritiva inicial revelou uma sobreposição paradoxal da troponina, que apresentou uma mediana paradoxalmente inferior no grupo óbito (420 ng/L) quando comparada ao grupo alta (522 ng/L). O modelo preditivo gerado pela Inteligência Artificial obteve altíssima capacidade discriminatória, atingindo uma AUC-ROC de 0,926. A extração da importância das variáveis (pesos matemáticos) demonstrou que o Lactato (coeficiente preditivo de +1,0579) e a Idade (coeficiente de +0,1098) foram os preditores independentes mais determinantes para a mortalidade. Em contrapartida, o valor isolado da troponina apresentou peso preditivo virtualmente nulo (-0,00003) no contexto multivariado. Conclusão O estudo demonstra que a avaliação isolada da troponina não atua como um preditor linear e confiável de óbito neste cenário de emergência. A aplicação de modelos de machine learning evidencia que a integração matemática de marcadores de hipoperfusão sistêmica (Lactato) e função renal otimiza substancialmente a estratificação de risco precoce, alcançando uma acurácia superior a 92%. Estes achados reposicionam o papel da medicina laboratorial, comprovando que a integração inteligente dos resultados analíticos de bancada atua como uma ferramenta indispensável e de baixo custo na medicina preditiva hospitalar.
Authors: Renan Augusto KLEINUBING, Eduardo Hiroshi TAKEMOTO, Gabriela SCALCON, João Francisco Velasquez MATUMOTO, Luan Claudio BARCELLA, Milena Basquera BERTUOL, Paulo Henrique Fiori SILVA, Roberta Ribeiro MACHADO, Yasmin Catarina Smozinski POSSAMAI, Morgana Ferreira Barros SCHAEFER, Rodrigo Ayres Torres TAKAES, Rhamon Antonio MARTINI, Monica Tereza SULDOFSKI
Institution: Universidade Estadual do Oeste do Paraná
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7223150755