TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA RECONHECIMENTO DE SEPSE EM AMBIENTES HOSPITALARES: REVISÃO INTEGRATIVA /ARTIFICIAL INTELLIGENCE TECHNIQUES FOR SEPSIS RECOGNITION IN HOSPITAL ENVIRONMENTS: INTEGRATIVE REVIEW

a sepse é uma inflamação generalizada com elevada morbidade e mortalidade, cujo reconhecimento e tratamento precoce são fatores essenciais para uma melhor qualidade de vida para o paciente; caso não seja identificada e tratada rapidamente, poderá levar a óbito. Este artigo de revisão integrativa objetiva identificar as técnicas baseadas em inteligência artificial adotadas, sua respectiva acurácia, sensibilidade e especificidade para a identificação precoce nos casos de sepse em ambiente hospitalar. A pesquisa, adaptada do método PRISMA, foi realizada em cinco bases de dados indexadas a partir dos seguintes descritores: sepse, septic, sepsis, forecasting, predict, prediction, detection, predicting, diagnosis, assessment, machine learning, artificial intelligence, data mining e deep learning. Foram identificados 333 artigos, sendo 21 com referência ao reconhecimento precoce da sepse por meio de 16 técnicas. Os resultados demonstram que as redes neurais tiveram melhor desempenho, variando a acurácia entre 76% e 93%, as árvores de decisão entre 69,0% e 91,5% e os métodos estatísticos entre 56% e 89%. Conclui-se que o fator mais influente na identificação precoce do diagnóstico são a variedade e a qualidade dos dados. Também se evidencia o desafio em relação ao pré-processamento, visto que os dados em geral são oriundos de fontes heterogêneas, coletados com critérios, métodos e objetivos distintos. Palavras-chave: Sepse. Inteligência artificial. Modelo preditivo. Machine learning. Sepsis is a generalized inflammation with high morbidity and mortality, whose recognition and early treatment are essential factors for a better patient's quality of life; if not identified and treated promptly, could lead to death. This integrative review article aims to identify the techniques based on artificial intelligence adopted, their respective accuracy, sensitivity and specificity for early identification in cases of sepsis in a hospital environment. The research, adapted from the PRISMA method, was performed in five databases indexed from the following descriptors: sepsis, septic, forecasting, predict, prediction, detection, predicting, diagnosis, assessment, machine learning, artificial intelligence, data mining and deep learning. A total of 333 articles were identified, 21 with reference to the early recognition of sepsis by 16 techniques. The results showed that the neural networks performed better, varying the accuracy between 76% and 93%, the decision trees between 69.