Análise Estatística e Comparativa de Algoritmos de Machine Learning para Predição de Mortalidade em Unidades de Terapia Intensiva

Resumo

A predição de mortalidade em unidades de terapia intensiva (UTI) é um desafio crítico para a medicina. Este trabalho propõe a aplicação de algoritmos de Machine Learning para estimar o risco de óbito hospitalar, utilizando dados da base MIMIC-III processados com uma estratégia de interpolação inspirada no sistema MedLens. Foram avaliados cinco modelos supervisionados, com destaque para técnicas de ensemble como LightGBM e XGBoost. Diferentemente de abordagens anteriores, implementou-se um protocolo de validação rigoroso com 25 execuções independentes, seguido de testes de hipótese. Os resultados comprovaram a superioridade estatística do LightGBM, que atingiu acurácia média de 92,99% e F1-Score de 0,927. A aplicação do teste de Wilcoxon Signed-Rank confirmou ($p < 0,05$) que o desempenho do LightGBM é significativamente superior aos demais competidores, validando sua robustez como ferramenta de suporte à decisão clínica e otimização de recursos hospitalares.