Fundamento: A predição do risco de morte 30 dias pós-cirurgia cardíaca ainda apresenta importantes lacunas, mesmo quando consideramos os dois principais escores de risco cirúrgico cardiovascular - EuroScore 2 (ES2) e STS Score (STS). Neste cenário, a modelagem matemática das técnicas de inteligência artificial pode representar uma solução segura e eficaz para mitigar este problema (Benedetto, et al. J Thorac Cardiovasc Surg 163(6): 2075-2087,2022). Objetivo: Desenvolver um modelo preditivo para mortalidade em 30 dias pós-cirurgia cardíaca e comparar os resultados com o ES2 e com o STS. Métodos: Foram analisadas 56 variáveis basais de 5.011 pacientes submetidos à cirurgia cardíaca entre 2010 e 2022. Primeiramente, aplicamos o algoritmo Extremely Randomized Trees Classifier para identificar variáveis com maior associação com a mortalidade e assim foi possível reduzir o número de fatores de 56 para 15. Com o conjunto de dados de treinamento, uma rede neural artificial (RNA) foi construída. O modelo baseado na RNA, o ES2 e o STS foram avaliados e comparados somente no conjunto de dados destacado para testes. As acurácias preditivas do modelo de RNA e dos escores de risco foram obtidas para comparação por meio das Áreas sob as Curvas (AUC) das curvas ROC e Testes de DeLong. Resultados: Na troca aórtica, troca aórtica mais cirurgia de revascularização do miocárdio (CRM) e troca mitral mais CRM, as acurácias preditivas da RNA foram superiores a 80%, enquanto os escores tradicionais apresentaram valores significativamente inferiores (p < 0,05). Para CRM e troca mitral, a RNA foi melhor, mas foi o grupo cirúrgico em que a menor diferença foi observada em comparação com os escores cirúrgicos tradicionais (p < 0,05). Em síntese, para as cinco cirurgias cardíacas consideradas no estudo, a predição baseada na RNA foi melhor, e o mesmo padrão de acurácias preditivas também foi observado ao analisar o grupo cirúrgico agrupado (ES2 AUC: 0,733, STS AUC: 0,690, ANN AUC: 0,808; p < 0, 05) - Figura. Conclusão: O modelo baseado na RNA apresentou resultados melhores do que os escores de risco em todos os cenários avaliados neste estudo. Analisando e comparando as acurácias preditivas no conjunto de dados de teste, podemos concluir que a modelagem matemática baseada em técnicas de inteligência artificial possui grande potencial e é viável para o desenvolvimento ferramentas de predição.
