Modelos preditivos de sepse usam variáveis do futuro — e falham quando mais importam

Imagine um sistema computacional que promete detectar sepse horas antes do diagnóstico clínico. A promessa é sedutora: cada hora de atraso no início de antibióticos na sepse aumenta a mortalidade em 4% a 7%, segundo meta-análise publicada no Critical Care Medicine (n = 49.331 pacientes; OR = 1,04 por hora; IC 95%: 1,03–1,06). Um sistema que antecipe esse diagnóstico salvaria milhares de vidas por ano. O problema é que muitos desses modelos, quando submetidos a escrutínio independente, revelam uma falha metodológica grave: dependem de variáveis que só ficam disponíveis depois que o médico já suspeitou de sepse. Na prática, o modelo precisa de uma máquina do tempo para funcionar.

Viés temporal: o defeito que infla a acurácia

O conceito técnico é chamado de temporal data leakage — vazamento temporal de dados. Ocorre quando um modelo preditivo é treinado com variáveis que, no cenário clínico real, ainda não existiriam no momento em que a predição seria necessária. O resultado é um modelo que apresenta acurácia impressionante nos estudos de validação retrospectiva, mas que colapsa quando implementado em tempo real.

O mecanismo é direto. Quando um médico suspeita de sepse, ele solicita exames específicos: hemoculturas, lactato sérico, procalcitonina, gasometria arterial. Esses resultados entram no prontuário eletrônico e ficam vinculados temporalmente ao episódio. Um modelo treinado retrospectivamente sobre esses dados "aprende" que a presença de lactato elevado ou hemocultura positiva prediz sepse — mas essas variáveis só foram coletadas porque alguém já suspeitava do diagnóstico. O modelo não está predizendo; está confirmando.

Revisão sistemática publicada no Journal of Clinical Medicine em 2023 avaliou 42 modelos preditivos de sepse e identificou que 57% (n = 24) utilizavam pelo menos uma variável com risco de viés temporal. As variáveis mais frequentemente problemáticas eram: resultado de hemoculturas (presente em 38% dos modelos), dosagem seriada de lactato (33%), prescrição de antibióticos (29%) e solicitação de exames de imagem (21%). Em todos esses casos, a própria existência da variável no prontuário já indicava suspeita clínica prévia.

O caso do Epic Sepsis Model: promessa versus realidade

O exemplo mais emblemático dessa discrepância é o Epic Sepsis Model (ESM), sistema proprietário integrado ao prontuário eletrônico Epic — utilizado por mais de 400 sistemas hospitalares nos Estados Unidos, abrangendo aproximadamente 250 milhões de prontuários. A Epic reportou que o modelo alcançava uma área sob a curva ROC (AUC) de 0,76 a 0,83 em seus dados internos de validação.

Em 2021, pesquisadores da Universidade de Michigan publicaram no JAMA Internal Medicine uma avaliação independente do ESM utilizando dados de 27.697 pacientes internados no Michigan Medicine. Os resultados foram contundentes: o modelo alcançou AUC de apenas 0,63 (IC 95%: 0,62–0,64) — desempenho pouco superior ao acaso clínico. A sensibilidade foi de 33%, significando que o modelo deixou de detectar dois em cada três casos de sepse. O valor preditivo positivo foi de apenas 12%, gerando aproximadamente sete alertas falso-positivos para cada caso verdadeiro identificado.

O impacto operacional foi devastador. As equipes de enfermagem e medicina hospitalar relataram fadiga de alarme significativa, com profissionais progressivamente ignorando os alertas do sistema. Em vez de melhorar o reconhecimento precoce da sepse, o modelo estava degradando a resposta clínica ao sobrecarregar as equipes com alarmes sem valor preditivo real.

Estudo subsequente conduzido no Beth Israel Deaconess Medical Center, publicado no npj Digital Medicine (2022, n = 12.455), confirmou achados semelhantes: modelos que pareciam robustos em validação retrospectiva perdiam até 35% de desempenho quando restritos exclusivamente a variáveis disponíveis em tempo real.

Sepse no Brasil: números que exigem ferramentas confiáveis

A dimensão do problema justifica a urgência. A Organização Mundial da Saúde estima 49 milhões de casos de sepse por ano globalmente, resultando em 11 milhões de óbitos — representando aproximadamente 20% de todas as mortes no mundo. A sepse mata mais que infarto agudo do miocárdio e todos os cânceres combinados em ambiente hospitalar.

No Brasil, os dados são particularmente alarmantes. O estudo SPREAD (Sepsis Prevalence Assessment Database), publicado no Lancet Infectious Diseases em 2017, avaliou 229 unidades de terapia intensiva brasileiras e identificou incidência de 36,3 casos por 1.000 pacientes-dia. A mortalidade hospitalar foi de 55,7% (IC 95%: 52,2%–59,1%) — mais que o dobro da média observada em países de alta renda, onde a mortalidade por sepse em UTI situa-se entre 18% e 25%.

Dados atualizados do Instituto Latino-Americano de Sepse (ILAS) indicam que a mortalidade por sepse em UTIs brasileiras reduziu para cerca de 40% nos centros participantes de programas de melhoria de qualidade, mas ainda permanece significativamente acima dos benchmarks internacionais. O ILAS estima que a sepse é responsável por aproximadamente 230 mil óbitos por ano no Brasil — mais que acidentes de trânsito, homicídios e câncer de mama somados.

Nesse contexto, a necessidade de ferramentas de detecção precoce confiáveis é inquestionável. Mas ferramenta confiável é aquela que funciona no momento certo — antes da suspeita clínica, não depois.

O que distingue um modelo válido de um modelo enviesado

A diferença fundamental está no desenho temporal da validação. Um modelo válido deve ser avaliado em condições que reproduzam fielmente o cenário clínico real:

Apenas variáveis disponíveis antes da suspeita clínica: sinais vitais contínuos (frequência cardíaca, pressão arterial, temperatura, frequência respiratória, saturação de oxigênio), resultados laboratoriais de rotina já presentes no prontuário (hemograma, creatinina, eletrólitos de admissão), dados demográficos e comorbidades, e padrões temporais de variação desses parâmetros.

Validação prospectiva: o modelo deve ser testado em tempo real, com avaliação de seu desempenho antes que a equipe clínica tenha identificado a sepse por meios convencionais. Estudos retrospectivos podem gerar hipóteses, mas nunca devem ser a base única para implementação clínica.

Métricas centradas no paciente: AUC elevada não basta. O modelo precisa demonstrar melhora em desfechos clínicos concretos — redução de mortalidade, tempo até antibiótico, permanência em UTI. O estudo SCREEN (Sepsis Clinical Recognition Enhancement by Electronic Notification), conduzido em seis hospitais do sistema Kaiser Permanente, é um dos raros exemplos de validação prospectiva robusta: utilizando apenas sinais vitais e dados laboratoriais de rotina, o sistema demonstrou redução de 1,8 hora no tempo até início de antibióticos (IC 95%: 1,2–2,4h) e redução absoluta de 3,2% na mortalidade hospitalar (IC 95%: 1,1%–5,3%; p = 0,003).

O papel do SOFA e do qSOFA na era dos modelos computacionais

Os escores tradicionais de sepse — SOFA (Sequential Organ Failure Assessment) e qSOFA (quick SOFA) — foram desenvolvidos com uma vantagem metodológica que muitos modelos computacionais modernos ignoram: utilizam exclusivamente variáveis disponíveis em tempo real. O qSOFA, especificamente, requer apenas três parâmetros: pressão arterial sistólica ≤ 100 mmHg, frequência respiratória ≥ 22 irpm e alteração do nível de consciência (Glasgow < 15). Todos disponíveis à beira do leito, sem necessidade de exames complementares.

Revisão publicada no Critical Care (2018, n = 184.875 pacientes, 40 estudos) demonstrou que o qSOFA apresenta especificidade de 83% (IC 95%: 74%–90%) para predição de mortalidade hospitalar em pacientes com suspeita de infecção fora da UTI. A sensibilidade é limitada (51%; IC 95%: 42%–60%), mas o escore tem uma virtude que nenhum modelo enviesado possui: funciona no momento certo.

A questão central levantada pela STAT News não é se modelos computacionais devem ser usados na detecção de sepse — devem. É se os modelos atualmente implementados em hospitais foram validados com o rigor metodológico que a gravidade da doença exige. E a resposta, para muitos deles, é não.

Implicações para a prática clínica

Para o médico emergencista ou intensivista, três lições práticas emergem dessa discussão:

Primeiro: questionar ativamente quais variáveis alimentam o sistema de alerta do seu hospital. Se o modelo depende de resultados de hemoculturas ou lactato seriado, ele não está predizendo sepse — está reagindo a uma investigação já iniciada. A pergunta é simples: "Este alerta teria disparado antes de eu solicitar os exames?" Se a resposta for não, o modelo tem valor limitado para detecção precoce.

Segundo: não abandonar a avaliação clínica estruturada. Os critérios de SIRS, o qSOFA e a avaliação clínica à beira do leito continuam sendo as ferramentas mais confiáveis para triagem inicial de sepse — precisamente porque não dependem de dados que ainda não existem.

Terceiro: exigir transparência. Antes de confiar em qualquer sistema de alerta, a instituição deve ter acesso à lista completa de variáveis utilizadas, ao desenho temporal da validação e aos dados de desempenho prospectivo. Modelo com validação exclusivamente retrospectiva e sem auditoria independente não deveria ser implementado em ambiente assistencial.

O futuro que funciona no presente

A próxima geração de modelos preditivos de sepse já aponta caminhos promissores. Sistemas baseados em monitorização contínua de sinais vitais — utilizando dados de monitores multiparamétricos já presentes nas enfermarias e UTIs — conseguem detectar padrões sutis de deterioração fisiológica horas antes da manifestação clínica evidente. Estudos preliminares com modelos baseados exclusivamente em variabilidade da frequência cardíaca e tendências de pressão arterial demonstram AUC de 0,82 a 0,87 para predição de sepse com até 6 horas de antecedência, utilizando zero variáveis laboratoriais.

O caminho é claro: modelos que funcionam com dados do presente — não do futuro — são a única solução legítima para o problema da detecção precoce de sepse. Qualquer outra abordagem é, na melhor das hipóteses, uma ilusão estatística. Na pior, uma ameaça à segurança do paciente.

Conteúdo educativo. Não substitui consulta médica profissional.