A obstrução do intestino delgado após cirurgia, conhecida como obstrução adesiva do intestino delgado (OAID), é uma complicação preocupante em bebês, especialmente naqueles com menos de três meses que foram submetidos a correção de má rotação intestinal. Identificar precocemente quais pacientes correm maior risco de desenvolver essa complicação é crucial para otimizar o tratamento e melhorar os resultados. Uma nova pesquisa apresenta um modelo de aprendizado de máquina promissor para prever a ocorrência de OAID pós-operatória nesses bebês.
O estudo, publicado no periódico científico *Journal of Pediatrics*, utilizou dados clínicos abrangentes de 107 pacientes com má rotação intestinal e um acompanhamento de pelo menos 24 meses. Um algoritmo de random forest (floresta aleatória), uma técnica de aprendizado de máquina, foi empregado para construir um modelo preditivo. Este modelo foi capaz de identificar, com alta precisão, os bebês com maior probabilidade de desenvolver OAID após a cirurgia. Variáveis como a contagem de glóbulos brancos (leucócitos) antes da cirurgia, a duração da ventilação mecânica, o tempo de duração da cirurgia e os níveis de albumina após a operação foram identificadas como preditores significativos.
Os resultados revelaram que o modelo de random forest alcançou uma alta precisão diagnóstica, com uma área sob a curva ROC (AUC) de 0,960. Isso significa que o modelo é capaz de distinguir, com grande acurácia, entre bebês que desenvolverão OAID e aqueles que não. Além disso, o modelo demonstrou alta sensibilidade (80,5%) e especificidade (95,2%), indicando que ele é capaz de identificar corretamente a maioria dos bebês que desenvolverão a complicação, minimizando os falsos positivos. Essa ferramenta promissora pode auxiliar os médicos a tomarem decisões mais informadas sobre o tratamento de bebês com má rotação intestinal, potencialmente reduzindo a incidência de OAID pós-operatória e melhorando a saúde e o bem-estar desses pequenos pacientes.
Origem: Link