Valor Preditivo do Fluxo Sanguíneo Gastrointestinal para a Intolerância à Nutrição Enteral em Doentes Críticos

A nutrição entérica (NE) é a via preferencial de suporte nutricional para doentes críticos. No entanto, a ocorrência de intolerância à nutrição entérica (INE) frequentemente limita a sua eficácia e interrompe o fornecimento nutricional. Os métodos de avaliação clínica atuais e os modelos preditivos existentes para a INE baseiam-se principalmente em indicadores subjetivos ou tardios. A função gastrointestinal normal depende fortemente de uma perfusão sanguínea adequada e de um retorno venoso desobstruído, mas a investigação atual não presta atenção suficiente ao estado do fluxo sanguíneo gastrointestinal. A ecografia point-of-care (POCUS), devido à sua natureza dinâmica e visual, pode ser utilizada para avaliar objetivamente estes indicadores gastrointestinais.

Este estudo está concebido como um estudo de coorte observacional prospetivo envolvendo o Hospital Ruijin, afiliado à Faculdade de Medicina da Universidade Jiao Tong de Xangai. Os investigadores realizarão avaliações ecográficas à cabeceira do doente em quatro momentos específicos: na admissão à UCI, e no Dia 1, Dia 4 e Dia 7 da nutrição entérica. As avaliações ecográficas medirão vários parâmetros hemodinâmicos, incluindo diâmetro, velocidade máxima média temporal, fluxo sanguíneo e pontuações VExUS de vasos principais, como a artéria celíaca (AC), a artéria mesentérica superior (AMS), a veia cava inferior (VCI), a veia hepática (VH) e a veia porta (VP).

O objetivo final deste estudo é empregar algoritmos de aprendizagem automática para construir e comparar três modelos preditivos: um modelo de indicadores clínicos, um modelo de parâmetros de fluxo sanguíneo e um modelo combinado clínico-fluxo sanguíneo. Ao fazê-lo, o estudo explorará o valor preditivo independente do fluxo sanguíneo gastrointestinal para a INE e os seus sintomas em doentes críticos, avaliará o valor incremental da adição de parâmetros de fluxo sanguíneo aos modelos de previsão e validará os modelos utilizando um conjunto de dados externo.