Integrating AI into critical care medicine: Exploratory and predictive analysis of tachycardia in pneumonia and ARDS

Abstract

Artificial Intelligence (AI) is transforming healthcare by enabling the analysis of vast clinical datasets, from electronic health records to continuous physiological monitoring. The potential of predictive tools for cardiovascular complications, such as pneumonia and Acute Respiratory Distress Syndrome (ARDS), remains limited despite their promising capabilities. This study investigated the use of AI for predicting tachycardia in patients with these two conditions. The PRISMA methodology was followed to position the work among existing studies in the field. The study was conducted according to the CRISP-DM framework, starting with data preparation and Exploratory Data Analysis (EDA) to identify disease-specific cardiovascular and respiratory patterns. The Machine Learning (ML) algorithms Random Forest, Naïve Bayes, and Neural Networks were then applied to predict tachycardia using hospitalization data from pneumonia and ARDS patients, as well as a combined dataset. Among the approaches tested, Random Forest achieved the best predictive performance, with F1-scores between 0.88 and 0.90. The findings show that data-driven models can predict tachycardia episodes with high accuracy, reenforcing the importance of integrating predictive analytics in critical care settings.

A Inteligência Artificial (IA) está a transformar os cuidados de saúde ao possibilitar a análise de vastos conjuntos de dados clínicos, desde registos eletrónicos de saúde até à monitorização fisiológica contínua. Apesar deste potencial, as ferramentas preditivas para complicações cardiovasculares em doenças respiratórias, como a pneumonia e a síndrome de dificuldade respiratória aguda (ARDS), continuam a ser limitadas. O presente estudo investigou a utilização de IA na previsão de taquicardia nestes grupos de doentes. Foi realizada uma revisão da literatura, tendo por base a metodologia PRISMA, que permitiu enquadrar o trabalho no estado atual da investigação. O estudo foi desenvolvido segundo a metodologia CRISP-DM, iniciando-se com a preparação dos dados e a análise exploratória (EDA) para identificar padrões cardiovasculares e respiratórios, específicos de cada doença. De seguida, foram aplicados os algoritmos de aprendizagem automática Random Forest, Naïve Bayes e Redes Neuronais para prever a ocorrência de taquicardia, utilizando dados de internamento de doentes com pneumonia e ARDS, bem como um conjunto combinado. Entre as abordagens testadas, o modelo Random Forest apresentou o melhor desempenho, com valores de F1-score entre 0.88 e 0.90. Os resultados demonstram que modelos baseados em dados podem antecipar episódios de taquicardia com elevada precisão, reforçando a importância da integração da análise preditiva nos cuidados intensivos.