Prevendo Infecções do Trato Urinário Associadas a Cateter

Infecções do trato urinário associadas a cateter (CA-UTIs) são um problema comum nos hospitais. Elas representam cerca de 12% das infecções relacionadas à saúde, com cerca de 70% dessas sendo CA-UTIs. Essas infecções ocorrem quando bactérias sobem pelo trato urinário. Quando um cateter é usado, as bactérias podem formar uma camada fina chamada biofilme nele, dificultando a ação dos antibióticos. As CA-UTIs aumentam os custos hospitalares, pois podem prolongar o tempo de internação e exigem testes e tratamentos extras. O uso excessivo de antibióticos para essas infecções também pode contribuir para a resistência bacteriana. Complicações graves, como sepse e morte, podem ocorrer devido às CA-UTIs, especialmente em grupos vulneráveis, como idosos ou pessoas com outros problemas de saúde.

Prevenir CA-UTIs é super importante. Isso pode ser feito reduzindo o uso de Cateteres, usando técnicas adequadas para inserção e cuidados com cateteres e removendo-os quando não são mais necessários. Treinar os profissionais de saúde sobre o manejo de cateteres é fundamental.

A maioria das CA-UTIs acontece em pacientes fora das unidades de terapia intensiva (UTIs). No entanto, elas ainda podem aumentar o tempo de internação e o risco de morte nas UTIs. Por isso, prevenir CA-UTIs em todas as áreas do hospital é crucial. Pesquisas contínuas são necessárias para entender melhor as CA-UTIs e encontrar novas maneiras de preveni-las e tratá-las. Alguns estudos anteriores utilizaram métodos variados, como abordagens em equipe, revisões diárias do uso de cateteres e lembretes para cuidado com os cateteres para ajudar a prevenir CA-UTIs. No entanto, esses métodos muitas vezes não são personalizados para cada paciente. Identificar pacientes com alto risco de CA-UTIs é essencial para esforços de prevenção direcionados.

#Modelos de Previsão para CA-UTIs

Embora existam alguns modelos de previsão para CA-UTIs, eles estão principalmente focados em condições específicas nas UTIs. Dois modelos foram desenvolvidos para pacientes com condições neurológicas e mostraram boa precisão. Infelizmente, ainda não há um modelo que considere todos os pacientes hospitalizados.

Esta pesquisa tem como objetivo criar e validar um modelo que possa prever CA-UTIs para todos os indivíduos hospitalizados que usam cateteres urinários. O modelo pretende ajudar os profissionais de saúde na tomada de decisões para prevenir essas infecções.

#Design do Estudo

Para coletar dados para este estudo, usamos registros de um banco de dados de pesquisa clínica em Taiwan, que inclui informações de três hospitais ao longo de 23 anos. O banco de dados contém dados de mais de quatro milhões de pacientes. A aprovação ética foi obtida para o estudo.

Os participantes deste estudo tinham entre 20 e 75 anos e todos receberam um cateter urinário. Coletamos todos os dados desde o momento em que o cateter foi colocado até 48 horas após a remoção. Se um paciente teve outro cateter colocado dentro de um dia após a remoção do primeiro, juntamos esses episódios em um só. Cada dia durante um episódio de cateter foi tratado como um caso separado. Identificamos uma CA-UTI se houve diagnóstico de uma infecção urinária ou uma solicitação de cultura bacteriana durante o período de cateterização, sem diagnóstico de pneumonia ao mesmo tempo.

O objetivo do nosso Modelo de Previsão foi ajudar os profissionais de saúde a tomarem decisões bem informadas para prevenir CA-UTIs. Para isso, precisávamos encontrar o melhor limiar de risco para a previsão. Queríamos minimizar os falsos positivos, pois isso poderia levar a tratamentos desnecessários. Esperávamos que esse limiar fornecesse um bom nível de certeza e utilidade para os profissionais de saúde.

#Modelagem Preditiva

Inicialmente, identificamos 20 potenciais preditores que poderiam influenciar o resultado das CA-UTIs. Isso incluiu fatores como idade, duração das internações na UTI, duração da cateterização, tempo de internação, sexo, diabetes e outras condições médicas. Após verificar os dados, reduzimos o número de preditores com base na disponibilidade e relevância.

Dividimos os dados em um conjunto de desenvolvimento de dois hospitais para criar o modelo e um conjunto de teste do terceiro hospital para validação. Em seguida, dividimos o conjunto de desenvolvimento em conjuntos de treinamento e validação.

Antes de selecionar os preditores, removemos aqueles com dados ausentes ou que poderiam levar a conclusões incorretas com base na forma como os dados foram registrados. Também substituímos certos preditores por indicadores mais claros, conforme necessário.

Em seguida, avaliamos os preditores restantes usando métodos estatísticos. Começamos com análises univariadas para ver como cada preditor se relacionava com as CA-UTIs, seguidas de análises multivariadas que consideravam relações entre preditores selecionados.

Analisamos diferentes combinações de períodos de resultado (períodos para avaliar CA-UTIs) e intervalos, lembrando que mais amostras de cada grupo levariam a previsões mais robustas. Para encontrar o melhor modelo de previsão, utilizamos diferentes técnicas de aprendizado de máquina, como regressão ridge, árvores de decisão, florestas aleatórias e outras.

#Análise Estatística

Para avaliar os modelos, medimos sua precisão, utilidade clínica e quão bem eles previam resultados. Queríamos encontrar o melhor modelo que pudesse fornecer previsões confiáveis e informações úteis para os profissionais de saúde.

Para entender como o modelo funcionava, usamos explicações aditivas de Shapley (valores SHAP), que ajudam a interpretar como cada preditor afeta a saída do modelo. Olhamos tanto para a população geral quanto para casos individuais para ver o que influenciava as previsões.

#Resultados

Identificamos um grupo de pacientes de 20 a 75 anos que foram incluídos em nossas análises. Desse grupo, descobrimos que indivíduos mais velhos ou com estadias hospitalares mais longas tinham mais chances de ter CA-UTIs. Os preditores que incluímos em nosso modelo final estavam relacionados à idade, estadias na UTI, sexo, diabetes e outras condições de saúde.

Nosso modelo de floresta aleatória se destacou como o melhor preditor de CA-UTIs com base em sua calibração, utilidade clínica e capacidade de discriminação. O modelo foi capaz de detectar CA-UTIs com alta sensibilidade, mas teve menor especificidade. Isso significa que o modelo era bom em identificar quem provavelmente tinha CA-UTIs, mas não tão eficaz em confirmar quando alguém não tinha a infecção.

Usando esse modelo, pudemos ajudar os profissionais de saúde a identificar pacientes em risco de CA-UTIs, permitindo que tomassem medidas preventivas.

#Implicações Clínicas

CA-UTIs representaram um desafio significativo na saúde, afetando muitos pacientes e contribuindo para o aumento dos custos de saúde. Estratégias eficazes para prevenir e gerenciar CA-UTIs são necessárias.

Embora algumas abordagens existam, como usar cateteres antimicrobianos, não há evidências suficientes para apoiar sua eficácia para todos os pacientes. Nosso modelo de previsão pode ajudar a identificar aqueles que podem se beneficiar de tais intervenções.

O modelo pode ser integrado aos fluxos de trabalho clínicos, ajudando os profissionais de saúde a avaliar os riscos individuais de CA-UTIs. Isso pode aprimorar a tomada de decisões e promover práticas mais seguras em relação ao uso de cateteres.

#Forças e Limitações

Uma grande força do nosso estudo é o tamanho da amostra. O modelo de previsão que desenvolvemos fornece uma boa base para prevenir CA-UTIs entre pacientes hospitalizados. No entanto, há algumas limitações. Os dados podem incluir viés, o que poderia afetar o desempenho do modelo. Além disso, o modelo prevê CA-UTIs apenas dentro de um curto período após o uso do cateter.

Nossos participantes do estudo eram principalmente de uma demografia específica em Taiwan, o que significa que os resultados precisam ser validados em diferentes contextos para garantir uma aplicabilidade mais ampla. Além disso, a adesão às melhores práticas no manejo de cateteres é crucial na redução das CA-UTIs, e os dados sobre conformidade não estavam disponíveis para nossa análise.

#Conclusão

Em resumo, desenvolvemos um modelo de previsão para CA-UTIs entre indivíduos hospitalizados que recebem cateterização urinária. Esse modelo pode identificar pacientes em risco para essas infecções, apoiando os profissionais de saúde na tomada de decisões. Estudos futuros serão essenciais para validar ainda mais o modelo e avaliar sua eficácia em melhorar os resultados dos pacientes através de estratégias de prevenção personalizadas.