Previsão do Risco de Pneumonia Associada ao Acidente Vascular Cerebral

AVC é um problema sério de saúde que pode afetar muito a qualidade de vida e a sobrevivência de uma pessoa. Em 2019, cerca de 6,55 milhões de pessoas morreram de AVC no mundo todo, tornando-se uma das principais causas de morte. Após passar por um AVC, muitos pacientes enfrentam vários desafios, sendo uma complicação comum a pneumonia associada ao AVC (PAA). Estudos mostram que a ocorrência da PAA pode variar de 7% a 38% entre os pacientes com AVC. A PAA pode levar a estadias mais longas no hospital, custos médicos mais altos e um risco maior de morte. Atualmente, os médicos tratam a PAA principalmente com antibióticos, mas esses podem não reduzir efetivamente as chances de desenvolver PAA. Portanto, é essencial que os profissionais de saúde identifiquem rapidamente os pacientes com alto risco de PAA e tomem medidas para preveni-la, o que pode melhorar os resultados para os pacientes.

#A Importância dos Modelos de Previsão de Risco

Criar modelos que preveem o risco de PAA pode ajudar os médicos a identificar pacientes de alto risco mais cedo, permitindo intervenções rápidas para reduzir as chances de desenvolver PAA. Pesquisadores criaram diferentes modelos de previsão nos últimos anos, como sistemas de pontuação que ajudam os profissionais de saúde a avaliar o risco de um paciente para a PAA. No entanto, mesmo modelos confiáveis podem perder sua eficácia ao longo do tempo devido a mudanças nos fatores de risco, métodos de tratamento ou outros fatores. Isso significa que esses modelos precisam ser atualizados regularmente. Além disso, poucos estudos usaram técnicas de aprendizado de máquina interpretáveis para criar modelos de previsão de PAA. Este estudo combina preditores novos e conhecidos usando aprendizado de máquina e um método chamado SHAP para explicar melhor as previsões.

#Desenho do Estudo e Participantes

Este estudo analisou pacientes com AVC de um hospital específico ao longo de quase um ano. Para ser incluído no estudo, os participantes precisavam ter pelo menos 18 anos, ter sido diagnosticados com AVC e não precisavam de um respirador dentro de uma semana após o AVC. Pacientes foram excluídos se foram liberados ou faleceram dentro de 24 horas da admissão, tinham uma infecção pulmonar antes do AVC, escolheram parar o tratamento, ou se seus dados estavam em sua maioria ausentes. Esta pesquisa seguiu diretrizes éticas e obteve aprovação do comitê de ética do hospital.

#Identificando Fatores Preditivos

Os pesquisadores identificaram 27 fatores que poderiam ajudar a prever o risco de PAA. Esses fatores incluíram informações demográficas gerais, como idade e sexo, além de detalhes médicos como as habilidades diárias dos pacientes, tipo e localização do AVC, presença de dificuldades para engolir e outras condições de saúde como pressão alta e diabetes. Outros fatores incluíam histórias pessoais dos pacientes, tratamentos recebidos e vários resultados de testes laboratoriais.

#O que é PAA?

PAA é definida como pneumonia que ocorre dentro de sete dias para pacientes com AVC que não precisavam de um respirador. Para diagnosticar a PAA, são seguidas diretrizes específicas, garantindo que o diagnóstico esteja alinhado com os padrões médicos estabelecidos.

#Cálculo do Tamanho da Amostra

Para determinar quantos pacientes precisavam ser incluídos no estudo, os pesquisadores usaram um método que leva em conta múltiplos fatores para garantir um modelo de previsão preciso. Com base em dados existentes, estimaram que entre 701 e 1272 pacientes deveriam ser incluídos para criar um modelo confiável.

#Coleta e Preparação de Dados

Os pesquisadores coletaram dados revisando registros médicos eletrônicos, incluindo registros de admissão e resultados de exames. Eles garantiram que o processo de coleta de dados fosse imparcial mantendo as informações de resultado separadas dos fatores preditivos. Para lidar com dados ausentes, usaram um método que preserva a precisão e integridade dos dados. Depois de classificar os dados, eles os dividiram em duas partes: uma para construir o modelo de previsão e outra para testar como o modelo funcionava.

#Construindo e Avaliando o Modelo

O estudo focou em usar vários métodos estatísticos para construir um modelo que prevê o risco de PAA. Os pesquisadores usaram uma técnica chamada regressão Lasso para restringir os fatores preditivos a seis: terapia com sonda nasogástrica, idade, atividades diárias e vários resultados laboratoriais. Testaram vários métodos de aprendizado de máquina, incluindo árvores de decisão, regressão logística e outros. O método que se destacou, chamado XGBoost, demonstrou forte capacidade preditiva, permitindo uma avaliação eficaz do desempenho do modelo.

#Compreendendo as Previsões do Modelo

O método SHAP ajuda a explicar como cada preditor contribui para o resultado do modelo. Ele fornece insights sobre a importância de cada variável. Por exemplo, escores mais baixos de atividade diária indicaram um risco maior para PAA. Isso pode ser porque a capacidade limitada de autocuidado pode levar a um maior tempo de repouso na cama e uma chance maior de infecções.

Da mesma forma, o uso de uma sonda nasogástrica para alimentação foi identificado como um fator de risco. Essa sonda pode levar a complicações que aumentam a probabilidade de pneumonia. Pacientes mais velhos também mostraram um risco maior, provavelmente devido a um declínio natural na função imunológica com a idade. O estudo descobriu que altos níveis de certos resultados laboratoriais, particularmente proteína C-reativa sensível e baixos níveis de hemoglobina, estavam associados a um maior risco de PAA.

#Vantagens do Aprendizado de Máquina

Técnicas de aprendizado de máquina, como as usadas neste estudo, têm vantagens distintas sobre métodos tradicionais. Elas podem lidar eficientemente com grandes quantidades de dados e descobrir relações complexas que modelos mais simples podem perder. O método XGBoost se destacou neste estudo pela sua precisão e capacidade de fornecer resultados interpretáveis, tornando-se uma ferramenta valiosa na previsão de riscos para pacientes.

#Limitações do Estudo

Apesar dos resultados promissores, o estudo teve algumas limitações. Primeiro, foi conduzido em um único centro, o que pode restringir a aplicabilidade dos achados a outros ambientes. O estudo também confiou em registros médicos existentes, o que pode ter levado a dados incompletos. Além disso, a validação externa em populações diversas ainda não foi realizada, significando que a generalização do modelo precisa de mais exame. Esforços futuros devem se concentrar em melhorar o modelo incorporando mais fatores e testando outros métodos avançados.

#Conclusão

Os modelos desenvolvidos por meio desta pesquisa mostram um forte potencial em prever o risco de pneumonia para pacientes com AVC. O modelo XGBoost teve um desempenho particularmente bom e fornece insights práticos que podem ajudar os profissionais de saúde a tomar decisões informadas. O uso do método SHAP oferece uma compreensão mais clara dos fatores que influenciam o risco de desenvolver pneumonia, ajudando, em última instância, no cuidado ao paciente e melhorando os resultados.