INTELIGÊNCIA ARTIFICIAL NA MEDICINA LABORATORIAL: SUPERANDO A LIMITAÇÃO DE BIOMARCADORES ISOLADOS NA PREDIÇÃO DE MORTALIDADE NA EMERGÊNCIA
- 1Hospital Universitário do Oeste do Paraná (HUOP), Cascavel, PR, Brasil
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.
Related
- TRANSFORMAÇÃO DIGITAL EM HISTOCOMPATIBILIDADE E HEMATOLOGIA: APLICAÇÕES DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE LABORATORIAL, GESTÃO DO CONHECIMENTO E APOIO À DECISÃO
- Respuesta a los comentarios sobre el modelo electrocardiográfico basado en inteligencia artificial para la detección de infarto de miocardio por oclusión coronaria aguda
- INTELIGÊNCIA ARTIFICIAL NO CONTEXTO DOS CUIDADOS PALIATIVOS: EVIDÊNCIAS ATUAIS E LIMITAÇÕES NA PRÁTICA CLÍNICA
- DESENVOLVIMENTO DE FERRAMENTA DIGITAL PARA APLICAÇÃO DE ESCALAS DE ENFERMAGEM COM APOIO DA INTELIGÊNCIA ARTIFICIAL GENERATIVA
- APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL NA PREVISÃO DE CRITICIDADE DE ESTOQUES HEMOTERÁPICOS UM ESTUDO COM DADOS OPERACIONAIS REAIS
BibTeX
@article{kleinubing2026inteligência,
title = {{INTELIGÊNCIA ARTIFICIAL NA MEDICINA LABORATORIAL: SUPERANDO A LIMITAÇÃO DE BIOMARCADORES ISOLADOS NA PREDIÇÃO DE MORTALIDADE NA EMERGÊNCIA}},
author = {Renan Augusto KLEINUBING and Eduardo Hiroshi TAKEMOTO and Gabriela SCALCON and João Francisco Velasquez MATUMOTO and Luan Claudio BARCELLA and Milena Basquera BERTUOL and Paulo Henrique Fiori SILVA and Roberta Ribeiro MACHADO and Yasmin Catarina Smozinski POSSAMAI and Morgana Ferreira Barros SCHAEFER and Rodrigo Ayres Torres TAKAES and Rhamon Antonio MARTINI and Monica Tereza SULDOFSKI},
journal = {Hematology, Transfusion and Cell Therapy},
year = {2026},
month = oct,
doi = {10.1016/j.htct.2026.108114},
url = {https://doi.org/10.1016/j.htct.2026.108114},
note = {CC BY},
}
RIS
TY - JOUR
TI - INTELIGÊNCIA ARTIFICIAL NA MEDICINA LABORATORIAL: SUPERANDO A LIMITAÇÃO DE BIOMARCADORES ISOLADOS NA PREDIÇÃO DE MORTALIDADE NA EMERGÊNCIA
AU - Renan Augusto KLEINUBING
AU - Eduardo Hiroshi TAKEMOTO
AU - Gabriela SCALCON
AU - João Francisco Velasquez MATUMOTO
AU - Luan Claudio BARCELLA
AU - Milena Basquera BERTUOL
AU - Paulo Henrique Fiori SILVA
AU - Roberta Ribeiro MACHADO
AU - Yasmin Catarina Smozinski POSSAMAI
AU - Morgana Ferreira Barros SCHAEFER
AU - Rodrigo Ayres Torres TAKAES
AU - Rhamon Antonio MARTINI
AU - Monica Tereza SULDOFSKI
PY - 2026
DA - 2026/10/23
JO - Hematology, Transfusion and Cell Therapy
DO - 10.1016/j.htct.2026.108114
UR - https://doi.org/10.1016/j.htct.2026.108114
AB - 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.
SN - 2531-1379
SN - 2531-1387
ER -