MODELOS PREDITIVOS BASEADOS IA PARA DESMAME DE VENTILAÇÃO MECÂNICA EM CENÁRIOS DE TERAPIA INTENSIVA: UMA ANÁLISE DA LITERATURA

Resumo

Introdução: O uso prolongado da ventilação mecânica (VM) associa-se a complicações como pneumonia associada à ventilação, maior mortalidade e tempo de internação. O desmame é uma etapa essencial e desafiadora, que deve ser considerada o mais breve possível. Métodos tradicionais como o Teste de Respiração Espontânea (TRE) e o Índice de Respiração Rápida e Superficial (RSBI) apresentam limitações em sua precisão. A inteligência artificial (IA) tem ganhado destaque por meio de algoritmos de aprendizado de máquina, oferecendo maior apoio à tomada de decisão. Entre eles, a regressão logística estima a probabilidade de eventos, e o random forest utiliza subconjuntos de dados para criar árvores de decisão. A combinação de diferentes modelos pode beneficiar pacientes críticos no processo de desmame Objetivo: Analisar a literatura recente sobre o uso de IA na predição do sucesso do desmame da VM, destacando benefícios, limitações e perspectivas clínicas Método: Revisão bibliográfica com estratégia PVO (população, variável e desfecho), guiada pela pergunta: “Como modelos de IA podem apoiar o desmame da ventilação mecânica na UTI?”. A busca foi realizada no PubMed com termos MeSH e operadores booleanos (“AND” e “OR”), considerando estudos gratuitos, publicados nos últimos cinco anos e em idiomas variados. Foram excluídos os que não atendiam aos critérios de inclusão ou divergiam da temática Resultados: Preditores como EWSO, pressão arterial média no TRE, FiO? e PEEP se destacaram. Variáveis como duração da VM, frequência respiratória, nível de consciência, APACHE II, glicemia, plaquetas, PaO?, IMC e comorbidades foram incorporadas para maior acurácia. O algoritmo CatBoost mostrou alta concordância entre previsões e desfechos, identificando risco de VM prolongada. Em coorte com 112 pacientes com COVID-19, 72% não evoluíram com PMV (?14 dias) e 28% sim (>14 dias), com mortalidade semelhante (~50%). O sistema Sandman.ICU reduziu tempo de VM, mortalidade e aumentou QALYs. Os principais desfechos foram tempo de VM, mortalidade e qualidade de vida Conclusão: A IA mostra grande potencial no apoio ao desmame da VM, com decisões mais seguras e individualizadas. Porém, ainda há desafios como baixa interpretabilidade, escassez de validação externa e barreiras de implementação. Estudos multicêntricos são necessários para avaliar acurácia, impacto clínico, custo-efetividade e viabilidade nas UTIs