Introdução: A estratificação de risco é essencial na cirurgia de revascularização do miocárdio (CRM) para otimizar o manejo perioperatório e auxiliar na tomada de decisão. Escores tradicionais, como o EuroScore 2, ainda são amplamente utilizados, mas apresentam limitações na capacidade preditiva. Redes neurais artificiais (RNAs) têm potencial para melhorar essa predição ao identificar padrões de risco complexos e não lineares. Objetivo: Desenvolver e validar um modelo baseado em RNA para predição de mortalidade hospitalar em pacientes submetidos à CRM isolada, comparando seu desempenho com métodos estatísticos tradicionais e modelos baseados em árvores de decisão. Métodos: Estudo de coorte prospectivo com 4.288 pacientes submetidos consecutivamente à CRM entre janeiro de 2010 e dezembro de 2024, em um centro de referência. A análise estatística incluiu testes de normalidade, análises univariadas e seleção de variáveis por regressão Lasso, identificando fatores associados à mortalidade hospitalar: idade, DPOC, fibrilação atrial prévia, IRC, urgência do procedimento, uso de CEC, hemoglobina e fração de ejeção. Modelos preditivos foram desenvolvidos com RNA, regressão logística, Random Forest, XGBoost e ExtraTreeClassifier. Os dados foram divididos em 70% para treinamento e 30% para teste. O desempenho foi avaliado por meio da AUC-ROC, com o EuroScore 2 como referência. Resultados: A mortalidade hospitalar observada foi de 3,4%. Análises univariadas mostraram diferenças significativas entre sobreviventes e não sobreviventes, especialmente em relação à idade, DPOC, fibrilação atrial, IRC e urgência do procedimento. A RNA apresentou a melhor capacidade discriminativa (AUC-ROC 0,8208), superando a regressão logística (0,7281), Random Forest (0,6680), XGBoost (0,6658) e ExtraTreeClassifier (0,6638) (p < 0,05 para todas as comparações). O EuroScore 2 apresentou o pior desempenho (AUC-ROC 0,5908), evidenciando sua limitação na coorte estudada. Conclusão: A RNA demonstrou excelente desempenho preditivo para mortalidade hospitalar em CRM, superando amplamente a regressão logística e modelos baseados em árvores de decisão. Além disso, sua superioridade em relação ao EuroScore 2 reforça a necessidade de incorporar abordagens de aprendizado de máquina para aprimorar a estratificação de risco cirúrgico e a tomada de decisão clínica.
