Melhorando Previsões de Alta Hospitalar Usando Aprendizado de Máquina

Os sistemas de saúde ao redor do mundo estão sob pressão crescente devido ao aumento da demanda. Isso é influenciado por mudanças demográficas, mais pessoas com doenças crônicas, transformações na sociedade e avanços tecnológicos. No Reino Unido, o Serviço Nacional de Saúde (NHS) tem sentido essas pressões, com mais pacientes indo aos hospitais, tempos de espera maiores nos departamentos de emergência e dificuldades financeiras. A pandemia de COVID-19 piorou ainda mais esses problemas, causando atrasos significativos tanto em atendimentos urgentes quanto em cuidados médicos de rotina.

Como os recursos hospitalares são limitados, os hospitais precisam encontrar maneiras de melhorar a eficiência e gerenciar melhor a capacidade de pacientes. Uma parte importante disso é descobrir como gerenciar efetivamente o fluxo de pacientes, ou seja, guiar os pacientes desde a entrada no hospital até a alta, garantindo que eles recebam o cuidado certo.

#A Importância do Fluxo de Pacientes

Otimizar o fluxo de pacientes pode levar a experiências melhores, menos espera por tratamento, resultados de saúde aprimorados e economia de custos. Uma maneira importante de melhorar o fluxo de pacientes é prever com precisão quando os pacientes serão liberados. Assim, os profissionais de saúde podem ser alertados quando um paciente estiver quase pronto para ir embora, permitindo que eles organizem o transporte, finalizem as medicações de alta e preparem o quarto do hospital para o próximo paciente.

Atualmente, as previsões de alta dependem das equipes clínicas avaliando a situação de cada paciente com base em seu diagnóstico e condição atual. No entanto, essas previsões muitas vezes são inconsistentes e subjetivas. Muitas vezes, não são rastreadas em sistemas eletrônicos de registros de saúde, o que pode complicar as operações hospitalares. Portanto, há um interesse crescente em usar ferramentas de Previsão automatizadas para prever a duração da estadia e o tempo de alta dos pacientes.

#Modelos de Previsão de Alta

Prever a alta se tornou uma área de foco para os pesquisadores que usam técnicas de aprendizado de máquina. Vários estudos tentaram prever o momento das altas com base em períodos de tempo definidos, como as próximas 24, 48 ou 72 horas. Alguns estudos analisaram grupos específicos de pacientes, como os que passaram por cirurgia ou aqueles com problemas cardíacos, enquanto outros tiveram como objetivo prever altas para hospitais inteiros.

Várias técnicas tradicionais de aprendizado de máquina foram testadas, incluindo florestas aleatórias, árvores de decisão aprimoradas e redes neurais. As características usadas para fazer essas previsões geralmente incluem dados demográficos do paciente, histórico médico, sinais vitais, diagnósticos, procedimentos e medicações. Embora alguns modelos tenham mostrado potencial, a maioria atinge um desempenho médio, com taxas de sucesso variando bastante entre os diferentes estudos.

Um exemplo impressionante é um modelo que incluía dados sobre as interações dos clínicos com os registros eletrônicos de saúde, alcançando alta precisão na previsão de altas dentro de 24 horas. No entanto, tinha limitações, como incluir apenas hospitalizações de primeiro atendimento e excluir pacientes que não sobreviveram à internação. Muitos estudos existentes não abordaram adequadamente áreas importantes, como o impacto do tamanho dos dados de treinamento, o momento das previsões e o desempenho relacionado a grupos específicos de pacientes.

#Objetivos deste Estudo

Neste estudo, os pesquisadores visavam usar uma quantidade significativa de dados de registros eletrônicos de saúde de um grupo de hospitais de ensino no Reino Unido para desenvolver modelos de aprendizado de máquina que possam prever quais pacientes serão liberados nas próximas 24 horas. Ao combinar previsões individuais, os modelos também estimariam o número total de altas esperadas em todo o hospital.

#Dados e Metodologia

#Fonte dos Dados

Os dados foram obtidos do Banco de Dados de Pesquisa sobre Infecções em Oxfordshire (IORD), que contém registros eletrônicos de saúde desidentificados de hospitais da Oxford University Hospitals NHS Foundation Trust. Este grupo inclui quatro hospitais de ensino, atendendo uma população de cerca de 755.000 pessoas.

O estudo focou em pacientes adultos internados de 1º de fevereiro de 2017 a 31 de janeiro de 2020, excluindo categorias específicas como obstetrícia e pediatria. As internações foram classificadas em dois grupos: eletivas (planejadas) e de emergência (não planejadas).

#Características Usadas nas Previsões

Os pesquisadores identificaram características potenciais para os modelos levando em conta o conhecimento médico existente e estudos anteriores. Essas características incluíam dados demográficos do paciente, diagnósticos atuais, internações passadas, resultados de exames laboratoriais e histórico de medicações. O objetivo era criar um conjunto robusto de dados que pudesse informar previsões de alta.

#Tarefa de Previsão

O estudo se concentrou em prever se os pacientes seriam liberados do hospital dentro de 24 horas de uma data e hora especificadas. As previsões em nível individual foram agregadas para fornecer uma estimativa do total de altas esperadas para o hospital nesse período.

Foram realizadas diferentes análises de sensibilidade para avaliar como o timing das previsões afetava os resultados. Os modelos foram treinados usando dados históricos e avaliados com dados mais recentes para verificar sua eficácia.

#Desenvolvimento do Modelo

Modelos de Extreme Gradient Boosting (XGB) foram utilizados para prever altas. Os dados de treinamento cobriram os primeiros dois anos do período do estudo, enquanto a avaliação usou dados do último ano. Os modelos passaram por ajustes de hiperparâmetros para maximizar seu desempenho.

A implementação do modelo permitiu dados ausentes, já que o XGB podia lidar com essas lacunas sem imputação. Os pesquisadores calibraram as probabilidades de alta previstas para garantir precisão.

#Avaliação de Desempenho

A eficácia dos modelos foi avaliada usando várias métricas, como sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo e precisão geral. O desempenho das previsões em nível hospitalar também foi avaliado comparando os números de altas previstos com os reais.

No total, foram registradas 52.590 internações eletivas e 202.633 internações de emergência durante o período do estudo. Após filtrar por internações curtas e garantir dados relevantes, um total de 48.039 internações eletivas e 143.275 de emergência foram incluídas na análise.

#Resultados

#Desempenho do Modelo

Os modelos mostraram resultados promissores na previsão de altas. Para internações eletivas, o modelo alcançou uma área sob a curva (AUC) de 0.871, enquanto para internações de emergência, a AUC foi de 0.860. O valor preditivo positivo para internações eletivas foi de 0.555 e para de emergência, foi de 0.571, indicando que os modelos foram eficazes em identificar pacientes que provavelmente seriam liberados.

O estudo também descobriu que o desempenho do modelo melhorou com conjuntos de dados de treinamento maiores, atingindo um ponto de saturação em cerca de 12 meses de dados. Além disso, previsões feitas ao meio-dia apresentaram a maior precisão em comparação com outros horários do dia.

#Importância das Características

A análise identificou características-chave relacionadas à alta dos pacientes. Para internações eletivas, os preditores mais importantes incluíram o número de medicações recebidas nas últimas 24 horas e se os pacientes haviam completado os cursos de antibióticos. Para internações de emergência, características semelhantes desempenharam um papel significativo, mostrando que o histórico de medicações era crítico na previsão de altas.

#Análise de Subgrupos e Justeza do Modelo

Os investigadores avaliaram o desempenho do modelo em diferentes grupos demográficos, incluindo sexo, etnia e status socioeconômico. Embora o desempenho geral fosse consistente, algumas variações foram observadas, especialmente em pacientes mais velhos e aqueles com estadias hospitalares mais longas. Os modelos tendiam a ter um desempenho pior nesses subgrupos, o que sugere que necessidades mais complexas podem não ser tão bem capturadas nos dados.

#Limitações e Direções Futuras

O estudo teve algumas limitações. O horizonte de previsão foi de apenas 24 horas, o que pode restringir o planejamento das operações hospitalares. Além disso, os modelos basearam-se apenas em dados eletrônicos de saúde estruturados, sem incorporar dados não estruturados, que poderiam aumentar a precisão das previsões.

O estudo concluiu que, enquanto os modelos atuais de aprendizado de máquina mostram potencial, ainda há espaço para melhorias. Esforços futuros devem explorar a incorporação de dados não estruturados e refinar as técnicas do modelo, como a utilização de abordagens de aprendizado profundo, para melhorar ainda mais o desempenho.

#Conclusão

Integrar aprendizado de máquina com dados de registros eletrônicos de saúde tem o potencial de melhorar as operações hospitalares, facilitando a gestão em tempo real das altas. Os modelos desenvolvidos neste estudo alcançaram um bom desempenho na previsão de eventos de alta e destacaram a importância de características específicas relacionadas ao cuidado do paciente.

Esses avanços poderiam levar a benefícios na gestão do fluxo de pacientes e alocação de recursos, resultando, em última análise, em uma melhor entrega de saúde. Embora o estudo tenha se concentrado em um grupo hospitalar específico, os achados sugerem uma aplicabilidade mais ampla desses modelos para apoiar os esforços de gestão hospitalar em vários contextos.