IA e os Problemas Difíceis do Mundo · Medicina e descoberta de medicamentos · Nature (computational biology) · 2026-10-25
Aprendizado de máquina interpretável para prever o comprometimento da oxigenação intraoperatório durante a ventilação monopulmonar em cirurgia torácica: um estudo de coorte retrospectivo
Título original: Interpretable machine learning for predicting intraoperative oxygenation impairment during one-lung ventilation in thoracic surgery: a retrospective cohort study
Este estudo testou cinco modelos de aprendizado de máquina com dados de 519 pacientes de cirurgia torácica para prever o comprometimento da oxigenação durante a ventilação monopulmonar. O modelo random forest teve o melhor desempenho (AUC 0,924), à frente da regressão logística (0,790). A análise SHAP identificou a pressão expiratória final positiva, a pressão parcial de oxigênio arterial pré-operatória e o índice de massa corporal como os principais preditores.