PREDIÇÃO DE APENDICITE COMPLICADA POR MODELOS DE APRENDIZADO DE MÁQUINA UTILIZANDO DADOS HEMATOLÓGICOS E ÍNDICES INFLAMATÓRIOS: ESTUDO OBSERVACIONAL RETROSPECTIVO

Abstract

A identificação precoce da apendicite complicada é um desafio clínico relevante para otimizar a tomada de decisão terapêutica e reduzir complicações. Este estudo teve como objetivo desenvolver e comparar modelos de aprendizado de máquina para sua predição utilizando dados obtidos na admissão hospitalar. Trata-se de estudo observacional retrospectivo com 245 pacientes submetidos à apendicectomia em hospital público de referência, entre janeiro e dezembro de 2023. Foram avaliados Random Forest, Support Vector Machine, Naive Bayes e Regressão Logística, utilizando dados demográficos, parâmetros hematológicos e índices inflamatórios derivados do hemograma (NLR, PLR e SII). O desempenho foi avaliado por AUC, acurácia, sensibilidade, precisão, escore F1 e MCC. Pacientes com apendicite complicada apresentaram maiores contagens de leucócitos, neutrófilos segmentados e bastonetes, além de NLR e SII significativamente superiores (p<0,05). O Random Forest apresentou o melhor desempenho, com AUC de 0,997, acurácia, sensibilidade, precisão e F1 de 97,7%, e MCC de 0,953. Modelos baseados em dados disponíveis na admissão apresentam elevado potencial para predizer apendicite complicada, embora estudos prospectivos multicêntricos com validação externa sejam necessários antes de sua incorporação à prática clínica.