Predição Precoce de Displasia Broncopulmonar em Bebés Pré-termo Utilizando Dados Clínicos

Antecedentes:

O parto prematuro é uma das principais causas de morbilidade e mortalidade neonatal. A displasia broncopulmonar (DBP) é uma das doenças pulmonares crónicas mais comuns em recém-nascidos prematuros, especialmente naqueles com idade gestacional ou peso ao nascer muito baixos. A DBP aumenta a dependência de oxigénio a longo prazo, a permanência hospitalar e as complicações respiratórias. A previsão precoce da DBP é crucial para otimizar o manejo clínico.

A idade gestacional, o peso ao nascer, a duração da ventilação mecânica, a oxigenoterapia, as infeções e os fatores hemodinâmicos são fatores de risco conhecidos para a DBP. Vários modelos de risco clínico foram desenvolvidos para prever a DBP precocemente, mas a sua aplicabilidade clínica é limitada.

Os avanços recentes na inteligência artificial (IA) e na aprendizagem automática mostraram potencial na análise de dados clínicos e na previsão do risco de doença. Os modelos de linguagem de grande escala (LLMs), como o ChatGPT, o Gemini e o Claude, podem interpretar conjuntos de dados clínicos complexos e gerar previsões de risco. No entanto, os estudos que avaliam o seu desempenho na previsão da DBP em recém-nascidos prematuros são limitados.

Objetivo:

Avaliar retrospetivamente o desempenho de diferentes LLMs na previsão da DBP em recém-nascidos prematuros (<32 semanas de gestação ou <1.500 gramas) utilizando dados clínicos das semanas pós-natais 1, 2 e 3. O estudo visa comparar as previsões geradas por IA com os resultados clínicos reais.

Desenho do Estudo:

Estudo retrospetivo, observacional, monocêntrico Os dados clínicos da UCI Neonatal do Hospital da Cidade de Konya serão extraídos dos registos hospitalares e anonimizados Os modelos de IA (ChatGPT, Gemini, Claude) receberão conjuntos de dados padronizados, incluindo idade gestacional, peso ao nascer, sexo, suporte respiratório, necessidade de oxigénio, duração da ventilação mecânica, estado de infeção e outros parâmetros relevantes As previsões de IA classificarão o risco de DBP como baixo, médio ou alto com percentagens de probabilidade estimadas

Participantes:

Inclusão: Recém-nascidos prematuros <32 semanas de gestação ou <1.500 gramas, com dados clínicos completos, acompanhados na UCI Neonatal durante o período do estudo Exclusão: Recém-nascidos com anomalias congénitas maiores, dados clínicos incompletos ou morte pós-natal precoce

Resultados:

Primário: Precisão dos modelos de IA na previsão da DBP em comparação com os resultados clínicos reais Secundários: Sensibilidade e especificidade das previsões de IA, comparação das previsões semanais, comparação do desempenho entre os modelos de IA

Análise Estatística:

Estatística descritiva (média, desvio padrão, contagens, percentagens) Métricas de desempenho de previsão: precisão, sensibilidade, especificidade, análise ROC Comparação de modelos e previsões semanais utilizando o Teste de DeLong Significância estatística: p < 0,05

Local:

Monocêntrico, baseado em hospital, UCI Neonatal do Hospital da Cidade de Konya Recolha retrospetiva de dados clínicos

Amostra:

População-alvo: Recém-nascidos prematuros com alto risco de DBP (<32 semanas ou <1.500 gramas) Tamanho da amostra: Mínimo de 108 recém-nascidos calculado com o software G-power (poder de 80%, significância de 5%, tamanho de efeito médio = 0,3)

Protocolo do Modelo de IA:

Instruções padronizadas para cada semana pós-natal:

Dados clínicos de um recém-nascido prematuro na [1.ª/2.ª/3.ª] semana pós-natal:

• Idade Gestacional: [semanas + dias]
• Peso ao Nascer: [gramas]
• Sexo: [masculino/feminino]
• Corticosteroides Antenatais: [Sim/Não]
• Terapia com Surfactante: [número de doses]
• Suporte Respiratório: [VM/CPAP/HFNC]
• Requisito de FiO2: [%]
• Estado de Sepse/PDA: [Sim/Não]

Preveja o risco de DBP (Baixo/Médio/Alto) e forneça a probabilidade (%) para cada categoria.

Ética:

Estudo aprovado pelo comité de ética institucional Dados anonimizados e confidencialidade mantida