Fundamento: Modelos de predição na área cardiovascular são comuns e fazem parte do cotidiano. No entanto, o uso de técnicas que envolvem aprendizado de máquina (ML) e inteligência artificial (IA) ainda são relativamente incomuns em nosso meio. Um dos pontos que ainda carece de maior atenção é o rastreamento de pacientes que possuem maior risco para internações hospitalares prolongadas pós-cirurgia cardíaca. (Dias, et al. Minerva Cardioangiol. 68(5): 532–538, 2020). Objetivo: desenvolver um modelo de predição para identificar pacientes com alto risco de internação prolongada pós-cirurgia cardíaca. Métodos: foram incluídos 4.489 pacientes submetidos à cirurgia cardíaca entre 2010 e 2022. O desfecho primário foi a internação pós-operatória > 10 dias. Apenas pacientes submetidos à cirurgia de revascularização miocárdica (CRM), substituição aórtica (TVA), substituição mitral (TVM), TVA mais CRM e TVM mais CRM foram incluídos. Primeiramente, foi aplicado o algoritmo ExtraTree Classifier para identificar variáveis com maior associação com o desfecho. Desta forma, foi possível reduzir o número de variáveis de 37 para 6. Em seguida, o conjunto de dados foi dividido aleatoriamente em dois: treino (70%) e teste (30%). Com o conjunto de dados de treinamento, foi construído um modelo de ML baseado no algoritmo XGBoost (árvores randômicas). As predições feitas por meio do modelo foram avaliadas no conjunto de dados de teste, que continha dados de pacientes que foram destacados apenas para esse fim. Resultados: Identificamos 407 (9,1%) pacientes com mais de 10 dias de internação pós-procedimento. Destes, 278 foram alocados no conjunto de dados de treinamento e 129 no conjunto de dados de teste. O primeiro algoritmo permitiu a seleção de seis fatores de interesse: idade, clearence de creatinina, fração de ejeção, hemoglobina, índice de massa corporal e o tipo de cirurgia. O modelo resultante teve uma taxa de sucesso de rastreamento de 90,6%. Após um processo de validação, a precisão foi fixada em 90,9% com desvio padrão de 0,002%. Conclusão: O modelo preditivo criado por meio de ML e IA apresentou altas taxas de sucesso e acurácia e pode ser extremamente útil como sistema de alerta para identificar pacientes com risco de internação prolongada, possibilitando assim possíveis ajustes na gestão dos cuidados hospitalares de pacientes com risco elevado.
