IA Prevê Risco de Morte por Sepse Usando Micróbios do Sangue e Marcadores Imunológicos

A sepse mata mais pacientes hospitalizados do que qualquer outra condição, mas as ferramentas de predição atuais ignoram os microrganismos que impulsionam a doença. Pesquisadores da UCSF desenvolveram o primeiro sistema de IA que analisa tanto as respostas imunes do hospedeiro quanto os fatores microbianos para prever a mortalidade por sepse, potencialmente revolucionando o cuidado intensivo.

A equipe estudou 321 pacientes gravemente enfermos, realizando análise abrangente de amostras de sangue nas primeiras 24 horas após a admissão na UTI. Foram mensurados padrões de expressão gênica, níveis de proteínas e DNA microbiano por meio de técnicas avançadas de sequenciamento. Algoritmos de aprendizado de máquina identificaram padrões-chave que distinguem sobreviventes de não sobreviventes.

O classificador integrado hospedeiro-micróbio alcançou 79% de acurácia (AUC 0,79) na predição de óbito, superando significativamente o escore clínico padrão APACHE-III (69% de acurácia). Os pacientes que foram a óbito apresentaram níveis mais elevados de DNA microbiano circulante, maior dominância bacteriana no sangue, aumento na expressão de genes de ativação de neutrófilos e supressão das vias de sinalização de células T. Níveis elevados de IL-8 emergiram como o preditor isolado mais robusto.

Essa abordagem preenche uma lacuna crítica no cuidado da sepse. Embora os antibióticos continuem sendo a única intervenção comprovadamente capaz de salvar vidas, as ferramentas de predição atuais dependem exclusivamente de variáveis clínicas ou biomarcadores do hospedeiro, ignorando a causa infecciosa. O novo sistema oferece um panorama mais completo ao avaliar simultaneamente a disfunção imune e a carga de patógenos.

Os achados podem viabilizar a identificação precoce de pacientes de alto risco, orientar a seleção de antibióticos e embasar decisões sobre intervenções intensivas. No entanto, o estudo foi conduzido em dois centros médicos acadêmicos, e uma validação mais ampla em populações diversas e diferentes contextos de saúde é necessária antes da implementação clínica.