Construção e validação de modelos de aprendizado de máquina combinando dados clínicos e características radiológicas para identificação precoce de reoperações em infecção profunda do pescoço

A infecção profunda do pescoço (DNI) é uma condição grave que se espalha rapidamente através dos planos fasciais cervicais, frequentemente levando a comprometimento das vias aéreas e sepse. A proteção das vias aéreas, terapia antibiótica e drenagem cirúrgica são tratamentos padrão, mas alguns pacientes necessitam de reoperação quando a melhora é insuficiente. Como não existem ferramentas confiáveis para prever o risco de reoperação, este estudo desenvolveu um modelo de aprendizado de máquina (ML) integrando dados clínicos e de imagem para antecipar reoperação em DNI. Analisamos retrospectivamente 415 pacientes com DNI tratados cirurgicamente. Reoperação foi definida como uma incisão adicional e drenagem realizadas mais de 48 horas após a cirurgia inicial. Características clínicas e derivadas da tomografia computadorizada (TC) foram incorporadas em um modelo ML baseado em Categorical Boosting (CatBoost) usando validação cruzada estratificada de cinco dobras. O desempenho do modelo foi avaliado usando Área Sob a Curva da Característica de Operação do Receptor (ROC AUC), Logloss, matrizes de confusão, acurácia, precisão, sensibilidade, especificidade e F1-score. A modelagem preditiva foi conduzida usando o conjunto completo de características e um conjunto reduzido de nove características significativas identificadas por análise de importância. A coorte teve idade média de 53,63 anos, com taxa de reoperação de 33,97%. Na validação cruzada, o modelo com todas as características alcançou F1-score de 0,9041, acurácia de 0,9488, ROC AUC de 0,9678, precisão de 0,9190, sensibilidade de 0,9000 e especificidade de 0,9670. No conjunto de teste independente, obteve F1-score de 0,8980, acurácia de 0,9398, ROC AUC de 0,9891, precisão de 0,8462, sensibilidade de 0,9565 e especificidade de 0,9333. O modelo reduzido com nove características atingiu F1-score de 0,9025, acurácia de 0,9489, ROC AUC de 0,9503, precisão de 0,9281, sensibilidade de 0,8889 e especificidade de 0,9713 na validação cruzada. No conjunto de teste independente, apresentou F1-score de 0,9565, acurácia de 0,9759, ROC AUC de 0,9957, precisão de 0,9565, sensibilidade de 0,9565 e especificidade de 0,9833. As trajetórias de Logloss corroboraram convergência estável com mínimo overfitting. Este estudo demonstra que um modelo ML pode prever com precisão a reoperação em DNI integrando características clínicas e derivadas de TC. O modelo simplificado de nove características alcançou desempenho superior, ao mesmo tempo em que melhora a aceitação clínica e a aplicabilidade prática. Estes achados destacam o potencial do ML para apoiar o planejamento cirúrgico oportuno e avaliação individualizada do risco de reoperação em pacientes com DNI.