Impacto clínico da inteligência artificial na detecção precoce da sepse em pacientes adultos hospitalizados: ênfase em Unidades de Terapia Intensiva
DOI:
https://doi.org/10.47224/revistamaster.v11i21.858Palabras clave:
4.Saúde., : “Inteligência Artificial”; “Educação Médica”; “Medicina Geral”; “Aprendizagem”.Resumen
A sepse constitui uma condição clínica grave, cujo reconhecimento precoce permanece desafiador, especialmente em pacientes críticos. Nesse contexto, o presente estudo teve como objetivo analisar as evidências científicas atuais sobre o impacto clínico da inteligência artificial na detecção precoce da sepse em pacientes adultos hospitalizados, com ênfase em Unidades de Terapia Intensiva, identificando os modelos utilizados, sua acurácia diagnóstica e seus efeitos nos desfechos clínicos. Trata-se de uma revisão integrativa da literatura, com busca nas bases PubMed/MEDLINE, Scopus, BVS e SciELO, incluindo estudos publicados entre 2020 e março de 2025. Oito estudos compuseram a amostra final. Os resultados demonstraram a utilização de diferentes modelos de machine learning e deep learning, com desempenho preditivo relevante, incluindo valores elevados de AUC/AUROC, sensibilidade, especificidade e acurácia. Alguns modelos também demonstraram capacidade de antecipar a identificação da sepse em relação ao seu início. Entretanto, os estudos concentraram-se predominantemente no desenvolvimento, validação e desempenho preditivo dos algoritmos, sendo menos consistente a avaliação de seus efeitos diretos sobre desfechos clínicos. Conclui-se que a inteligência artificial apresenta potencial para auxiliar na detecção precoce da sepse, embora sejam necessárias evidências adicionais sobre os benefícios clínicos decorrentes de sua implementação.
Descargas
Citas
YANG, M.; et al. An explainable artificial intelligence predictor for early detection of sepsis. Critical Care Medicine, 2020. DOI: 10.1097/CCM.0000000000004550.
YUAN, K.; et al. The development of an artificial intelligence algorithm for early sepsis diagnosis in the intensive care unit. International Journal of Medical Informatics, v. 142, p. 104176, 2020. DOI: 10.1016/j.ijmedinf.2020.104176.
COOPER, P.; et al. Implementation of an automated sepsis screening tool in a community hospital setting. Journal of Nursing Care Quality, 2020. DOI: 10.1097/NCQ.0000000000000501.
WANG, D.; et al. A machine learning model for accurate prediction of sepsis in ICU patients. Frontiers in Public Health, v. 9, p. 754348, 2021. DOI: 10.3389/fpubh.2021.754348.
MOOR, M.; et al. Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning. arXiv preprint, 2021. Disponível em: https://arxiv.org/abs/2107.05230. DOI: 10.48550/arXiv.2107.05230.
SJÖVALL, F.; et al. A machine learning algorithm for early prediction of sepsis in intensive care. Critical Care Medicine, v. 50, n. 1, p. e62, 2022. DOI: 10.1097/01.ccm.0000910620.81838.07.
BAO, W.; et al. Effectiveness of automated alerting system compared to usual care for the management of sepsis. npj Digital Medicine, v. 5, p. 101, 2022. DOI: 10.1038/s41746-022-00650-5.
KIM, T.; et al. Development and validation of deep-learning-based sepsis and septic shock early prediction system (DeepSEPS) using real-world ICU data. Journal of Clinical Medicine, v. 12, n. 22, p. 7156, 2023. DOI: 10.3390/jcm12227156.
GUPTA, A.; et al. Improving sepsis prediction in intensive care with SepsisAI: a clinical decision support system with a focus on minimizing false alarms. PLOS Digital Health, v. 3, n. 8, e0000569, 2024. DOI: 10.1371/journal.pdig.0000569.
BOUSSINA, A.; et al. Impact of a deep learning sepsis prediction model on quality of care and survival. npj Digital Medicine, v. 7, p. 13, 2024. DOI: 10.1038/s41746-023-00986-6.
SEIDLITZ, S.; et al. AI-powered skin spectral imaging enables instant sepsis diagnosis and outcome prediction in critically ill patients. Science Advances, v. 10, eadw1968, 2024. DOI: 10.1126/sciadv.adw1968.
SHI, S.; et al. Developing a rapid screening tool for high-risk ICU patients of sepsis: integrating electronic medical records with machine learning methods for mortality prediction in hospitalized patients — model establishment, internal and external validation, and visualization. Journal of Translational Medicine, v. 23, p. 123, 2025. DOI: 10.1186/s12967-025-06102-4.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Master - Ensino, Pesquisa e Extensão
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
a) A licença desses direitos autorais abrange o direito exclusivo da Revista Master - Ensino, Pesquisa e Extensão para reproduzir, publicar e distribuir o artigo,
nacional e internacionalmente, incluindo reimpressões, traduções, reproduções fotográficas, microformas, formulários eletrônicos (offline, on-line) ou qualquer outra reprodução de natureza similar.
b) O (s) autor (es) aprovam que o manuscrito não pode ser retirado ou reenviado para qualquer outro Jornal/Revista enquanto a avaliação pelos pares estiver em andamento. Após aprovado o manuscrito, um autor pode auto-arquivar uma versão de seu artigo em seu próprio site e/ou em seu repositório institucional.
c) O (s) autor (es) declaram que são integralmente responsáveis pela totalidade do conteúdo da contribuição e que a Revista Master - Ensino, Pesquisa e Extensão e o corpo editorial da Revista Científica do estão expressamente isentos de qualquer responsabilidade sobre o conteúdo do artigo, métodos, técnicas e resultados de sua pesquisa, tendo, assim, finalidade meramente informativa e educativa.
d) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
