Modelo de índice de deterioração prevê modestamente os resultados dos pacientes

Fonte: Getty Images

Por Mark Melchionna

03 de agosto de 2023 - Um novo estudo descobriu que, embora o uso do Índice de Deterioração (DTI) no ambiente hospitalar tenha fornecido resultados modestos, ele abordou de forma inconsistente vários grupos demográficos. Os pesquisadores concluíram que é necessária validação adicional para este modelo.

A deterioração refere-se à ventilação mecânica, transferência para unidade de terapia intensiva ou morte dentro do hospital. Segundo o estudo, cerca de 15 por cento das mortes evitáveis ​​nos hospitais resultam da negligência do declínio clínico.

Dada a prevalência deste problema, existem métodos para medir a deterioração clínica. Uma ferramenta é o DTI, um modelo de aprendizagem automática que foi desenvolvido em 2017. Embora centenas de hospitais se envolvam com este modelo, ele permanece não validado externamente. A falta de validação cria uma área cinzenta em torno da sua capacidade de operar de forma equitativa.

Assim, os investigadores pretenderam validar este modelo e determinar o seu potencial de viés. Neste estudo, os pesquisadores incluíram oito hospitais heterogêneos do meio-oeste dos Estados Unidos, com uma população de 13.737 pacientes. Esta população de pacientes produziu 5.143.513 previsões de DTI, 14.834 hospitalizações e 13.918 encontros.

Segundo o estudo, a deterioração descreve casos relacionados à ventilação mecânica, transferência para unidade de terapia intensiva ou morte no hospital. A prevalência total de deterioração foi de 10,3 por cento. Não houve um resultado consistente de medidas de viés entre todos os subgrupos. Para aqueles que se identificaram como índios americanos ou nativos do Alasca, as medidas de preconceito foram 14% piores. Entre os pacientes que não revelaram a etnia, esta medida foi de 19 por cento.

Este resultado levou os investigadores a concluir que o DTI é modestamente capaz de prever a deterioração do paciente. No entanto, resultados inconsistentes nos níveis de observação e encontro em vários grupos demográficos levaram os investigadores a apelar a novas ações. Isso envolveu a necessidade de integrar transparência nos dados de treinamento de modelos e validar ainda mais os modelos.

O uso de aprendizado de máquina para prever a deterioração do paciente é comum e valoriza a transparência.

Em abril, o Nationwide Children's Hospital criou um modelo de aprendizado de máquina que considerou o índice de risco de deterioração (DRI) para prever o risco para crianças hospitalizadas. Ao fazê-lo, os investigadores pretendiam executar este processo mais rapidamente do que os programas tradicionais, uma vez que a detecção precoce é valiosa na prevenção de eventos adversos. Junto com o DRI, os pesquisadores também consideraram os EHRs. Isso permitiu acesso a dados extensos.

Usando informações de grupos cardíacos, de malignidade e de diagnóstico geral, os pesquisadores treinaram três modelos preditivos. Esses modelos os auxiliaram na criação dos algoritmos da ferramenta.

Na sequência da investigação, descobriram que o DRI atingiu um nível de sensibilidade significativamente mais elevado do que o programa de consciência situacional existente. Alertas precisos também foram um recurso exibido pelo modelo.

Comparado com o programa de consciência situacional, o modelo levou a uma redução de 77% nos eventos de deterioração durante os primeiros 18 meses. Junto com isso, o modelo era transparente.

"Isto não é uma caixa preta. Mostramos aos médicos o que acontece e como o algoritmo avalia os dados para acionar alarmes", disse Tyler Gorham, cientista de dados em pesquisa e inovação em TI da Nationwide Children's e coautor da publicação, em um Comunicado de imprensa. “A ferramenta ajuda a apoiar a tomada de decisões clínicas porque a equipe clínica é capaz de ver por que um alarme foi acionado”. “A ferramenta ajuda a apoiar a tomada de decisões clínicas porque a equipe clínica é capaz de ver por que um alarme foi acionado”.

Além disso, o aprendizado de máquina pode prever a deterioração do paciente. No entanto, os investigadores devem considerar a transparência ao utilizar este tipo de recurso para prever a deterioração.