As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
An ICU team may need to identify a high-risk patient while that patient's condition is still changing. In a study led by Australian Catholic University (ACU) and Charles Darwin University (CDU), an extra trees machine-learning model predicted ICU mortality with 98.33% accuracy; gradient boosting reached 98.23%.
Uma equipa de UCI pode ter de identificar um doente de alto risco enquanto o estado desse doente continua a mudar. Num estudo liderado pela Universidade Católica Australiana (ACU) e pela Universidade Charles Darwin (CDU), um modelo de aprendizagem automática extra trees previu a mortalidade em UCI com uma precisão de 98,33 %; o gradient boosting atingiu 98,23 %.
Clinicians commonly use APACHE, the Acute Physiology and Chronic Health Evaluation, and SAPS, the Simplified Acute Physiology Score. The study says these tools can struggle to capture evolving conditions, take time to validate and need frequent recalibration. Machine-learning systems have outperformed such traditional scores, but their lack of explainability has slowed adoption.
Os médicos utilizam habitualmente o APACHE, a Avaliação da Fisiologia Aguda e da Saúde Crónica, e o SAPS, a Pontuação Simplificada de Fisiologia Aguda. O estudo afirma que estas ferramentas podem ter dificuldade em captar condições em evolução, demoram a ser validadas e precisam de recalibração frequente. Os sistemas de aprendizagem automática superaram estas pontuações tradicionais, mas a sua falta de explicabilidade atrasou a adoção.
The researchers used the extra trees results with explanation models to identify the factors behind the predictions and compare them with medical knowledge. Hypertension, tumors, endocrine disease, digestive disease and cardiovascular disease emerged as key factors. Lead author Niusha Shafiabady, an ACU professor and director of its Women in AI for Social Good lab, led work with colleagues from Charles Darwin University, Amirkabir University of Technology in Tehran and other Australian universities.
Os investigadores utilizaram os resultados do extra trees com modelos de explicação para identificar os fatores por detrás das previsões e compará-los com o conhecimento médico. A hipertensão, os tumores, as doenças endócrinas, as doenças digestivas e as doenças cardiovasculares surgiram como fatores fundamentais. A autora principal, Niusha Shafiabady, professora da ACU e diretora do seu laboratório Women in AI for Social Good, liderou o trabalho com colegas da Universidade Charles Darwin, da Universidade de Tecnologia de Amirkabir, em Teerão, e de outras universidades australianas.
So what changes in practice? If embedded in clinical decision-support systems, explained predictions could help clinicians focus urgent attention on high-risk patients, monitor them continuously and intervene earlier. Shafiabady said the tools should complement rather than complicate frontline care.
O que muda, então, na prática? Se forem integradas em sistemas clínicos de apoio à decisão, as previsões explicadas poderão ajudar os médicos a concentrar a atenção urgente nos doentes de alto risco, a monitorizá-los continuamente e a intervir mais cedo. Shafiabady afirmou que as ferramentas devem complementar os cuidados prestados na linha da frente, e não torná-los mais complexos.
The study used the MIMIC-III dataset. The researchers identify larger datasets and different health care settings as the next tests, so the reported accuracy remains a research result based on that dataset.
O estudo utilizou o conjunto de dados MIMIC-III. Os investigadores identificam conjuntos de dados maiores e diferentes contextos de cuidados de saúde como os próximos testes, pelo que a precisão comunicada continua a ser um resultado de investigação baseado nesse conjunto de dados.