Calado, Cecília Ribeiro da CruzRicardo, António José Santos MoraisCorreia, Inês Alves2026-02-102026-02-102025-12-12http://hdl.handle.net/10400.21/22657Abstract Critically ill patients, given their severe clinical condition and relevance of morbidity and mortality, are generally treated in intensive care units (ICUs). Accurate survival prediction is crucial to improve ICU resource allocation and guide timely interventions, potentially improving patients’ outcomes. Physiological scores are routinely used in clinical practice but present intrinsic limitations. FTIR spectroscopy, combined with machine learning, emerges as an appealing method to discover biomarkers for survival prediction, since it enables capturing the complete molecular fingerprint of serum. In a first study, the whole serum composition was compared with the serum metabolome to discriminate two groups of patients (n=16). The samples were collected 3 days before the patient’s death or discharge, half of the patients died and were under invasive mechanical ventilation (IMV), while the other half were discharged and were not under IMV. The best predictive model was obtained with the serum metabolome, achieving an accuracy of 94%, compared to 81% with whole serum. However, whole serum analysis presents clear advantages for large-scale application, as it avoids additional processing steps and is simpler, faster, and more reproducible. In this context, a second study was conducted using whole serum, with an expanded population (n=44), in which both groups were statistically similar regarding invasive therapies (e.g. all under IMV) and other clinical variables. Samples from 44 ICU patients were collected at multiple time points: within the first 48 hours of admission, 7, 5, 3 days before and on the day of the clinical outcome, i.e., discharge or deceased. Significant spectral differences were identified through univariate analysis. The best model was a Principal Component Analysis followed by Linear Discriminant Analysis (PCA-LDA), built on spectra from 3 days before the clinical outcome, which achieved an accuracy of 84%. Using spectral bands kinetics, between days 5 and 7 before the outcome, PCA-LDA and Support Vector Machine (SVM) models both achieved an accuracy of 82%, enabling prediction 2 days earlier than the static time points models. Furthermore, the models based on kinetic spectral bands generally outperform those built from single time point models. These results point out that tracking biomarker dynamics over time can potentially provide earlier and reliable prognostic information in contrast with isolated static assessment. These findings also highlight the potential of FTIR spectroscopy as an affordable, simple, minimally invasive, and efficient tool for individualised survival prediction in critical care settings. Beyond improving prognostic accuracy and contributing to better outcomes, this approach can potentially support timely clinical decision-making, open new perspectives for personalised patient management, and reduce healthcare burden in critically ill populations.Doentes críticos, devido à gravidade da sua condição clínica e à elevada morbilidade e mortalidade associadas, são geralmente tratados em unidades de cuidado intensivo. A previsão precisa da sobrevivência é crucial para melhorar a alocação de recursos nas unidades de cuidado intensivo e orientar intervenções atempadas, potencialmente melhorando os resultados clínicos dos doentes. Os scores fisiológicos são utilizados rotineiramente na prática clínica, mas apresentam limitações intrínsecas. A espetroscopia de FTIR, combinada com algoritmos de aprendizagem automática, surge como uma abordagem promissora para identificar biomarcadores de previsão de sobrevivência, ao permitir captar a impressão digital molecular completa do soro. Num primeiro estudo, comparou-se a composição do soro total com o metaboloma do soro para discriminar dois grupos de pacientes (n=16). As amostras foram recolhidas 3 dias antes do óbito ou da alta, metade dos pacientes faleceu e encontrava-se sob ventilação mecânica invasiva, enquanto a outra metade teve alta e não estava sob ventilação mecânica invasiva. O melhor modelo preditivo foi obtido com o metaboloma do soro, alcançando uma exatidão de 94%, em comparação com 81% obtida com o soro total. Contudo, a análise direta do soro apresenta vantagens claras para a aplicação em larga escala, por evitar etapas adicionais de processamento e ser mais simples, rápida e reprodutível. Neste contexto, foi conduzido um segundo estudo com o soro total, envolvendo uma população ampliada (n=44), em que ambos os grupos eram estatisticamente semelhantes em relação a terapias invasivas (e.g., todos sob ventilação mecânica invasiva) e outras variáveis clínicas. Foram recolhidas amostras de soro de 44 doentes internados na unidade de cuidados intensivos em vários momentos: nas primeiras 48 horas após a admissão, 7, 5 e 3 dias antes do desfecho e no próprio dia do desfecho clínico, ou seja, alta ou óbito. Diferenças espectrais significativas foram identificadas por análise univariada. O melhor modelo foi o de Análise de Componentes Principais, seguido de Análise Discriminante Linear (PCA-LDA), construído com os espectros obtidos 3 dias antes do desfecho clínico, atingindo uma exatidão de 84%. Ao analisar a cinética das bandas espectrais entre os dias 5 e 7 antes do desfecho, os modelos PCA-LDA e Máquina de Vetores de Suporte (SVM) alcançaram ambos uma exatidão de 82%, permitindo prever o desfecho clínico dois dias mais cedo do que os modelos estáticos. Além disso, os modelos baseados na evolução temporal das bandas espectrais superam, em geral, os modelos estáticos. Estes resultados indicam que acompanhar a dinâmica dos biomarcadores ao longo do tempo pode fornecer informação prognóstica mais precoce e fiável do que as avaliações estatísticas isoladas. Além disso, evidenciam o potencial da espectroscopia de FTIR como uma ferramenta acessível, simples, minimamente invasiva e eficiente para a previsão individualizada da sobrevivência em contextos de cuidados intensivos. Para além de melhorar a exatidão diagnóstica e contribuir para melhores resultados clínicos, essa abordagem pode apoiar a tomada de decisão atempada, abrir novas perspetivas de gestão da personalidade do doente e reduzir o impacto nos recursos de saúde em populações críticas.engCritically ill patientsFTIR spectroscopySerum biomarkersBiomarker kineticsSurvival predictionDoentes críticosEspetroscopia de FTIRBiomarcadores de soroCinética de biomarcadoresPrevisão de sobrevivênciaIPL/IDI&CA2024/RDICIP_ ISELDSAIPA/DS/0117/2020master thesis204188130