Avaliando Resultados de Pacientes na UTI: Um Estudo

A UTI (Unidade de Terapia Intensiva) é um departamento especial nos hospitais que cuida de pacientes bem doentes que precisam de monitoramento constante. Cada paciente pode gerar uma porção de dados todo dia, que ajuda os médicos e a equipe do hospital a entender como a UTI tá funcionando e como gerenciar melhor os recursos. Esses dados também ajudam no planejamento do cuidado dos pacientes e em quando liberar eles da UTI.

Uma parte importante desse processo é usar sistemas de pontuação pra avaliar quão grave tá a condição do paciente quando ele é admitido. Esses sistemas de pontuação ajudam na tomada de decisões clínicas e também ajudam a prever como os pacientes vão se sair no hospital. Alguns dos sistemas de pontuação mais comuns incluem o APACHE II e o SAPS II. Além disso, outras pontuações como o MODS e o SOFA são usadas pra avaliar o funcionamento dos órgãos do paciente e medir o risco de falência orgânica.

Em Ontário, Canadá, os hospitais coletam duas pontuações específicas chamadas MODS e NEMS pra relatórios. Porém, nem sempre eles têm as informações necessárias pra calcular outras pontuações como APACHE e SAPS. Foram feitos poucos estudos examinando como essas pontuações se relacionam com os resultados de saúde dos pacientes na UTI em Ontário.

#Importância da Previsão de Mortalidade e Duração da Permanência

Diversos estudos analisaram a previsão da mortalidade dos pacientes e quanto tempo eles ficam na UTI, geralmente focando na relação entre os diferentes sistemas de pontuação. Um estudo importante desenvolveu um modelo que considerou vários fatores, incluindo MODS e NEMS, pra prever a probabilidade de os pacientes morrerem durante a estadia na UTI. Outro estudo ampliou esse trabalho usando dados mais recentes e técnicas de modelagem mais avançadas, incluindo aprendizado de máquina, pra melhorar as previsões tanto de mortalidade quanto de duração de permanência.

Na nossa pesquisa, queremos construir em cima desses estudos, adicionando os componentes individuais do MODS e NEMS nos nossos Modelos Preditivos. Nossos principais objetivos são avaliar como essas pontuações se relacionam com os resultados dos pacientes, analisar o impacto das características dos pacientes na mortalidade e na duração da permanência, e desenvolver uma nova categoria de resultado que combine mortalidade e duração da permanência.

#Métodos e Fontes de Dados

Nossa pesquisa é retrospectiva, o que significa que olhamos pra dados coletados de dois hospitais de ensino no sudoeste de Ontário. Os dados foram coletados de janeiro de 2015 a maio de 2021 e incluem vários conjuntos de dados cobrindo diferentes aspectos do cuidado dos pacientes na UTI.

Criamos várias novas variáveis dentro dos nossos dados pra analisar melhor os resultados dos pacientes. Por exemplo, definimos a mortalidade com base em se o paciente morreu ou foi liberado vivo após a estadia na UTI. Também examinamos o tempo total que os pacientes ficaram na UTI e identificamos casos em que pacientes tiveram estadias que foram incomumente longas. Além disso, categorizamos os pacientes com base em características gerais, como idade e o motivo da admissão.

Pra analisar as relações entre os sistemas de pontuação e os resultados dos pacientes, combinamos os conjuntos de dados separados em um único conjunto abrangente. Esse conjunto final contém milhares de casos que permitirão uma análise estatística robusta.

#Análise Estatística

Depois que compilamos nossos dados, dividimos em duas partes: um conjunto de treinamento usado pra construir nossos modelos preditivos e um conjunto de validação pra testar como aqueles modelos funcionaram. Usamos várias técnicas estatísticas, incluindo regressão logística e algoritmos de aprendizado de máquina, pra avaliar como nossos sistemas de pontuação se correlacionaram com a mortalidade e a duração da permanência na UTI.

Focamos em diferentes métricas de desempenho pra avaliar nossos modelos. Por exemplo, olhamos pra sensibilidade (que mede quantos casos positivos reais nosso modelo consegue identificar corretamente) e precisão (a porcentagem total de previsões corretas). Também comparamos diferentes abordagens pra ver qual forneceu o melhor poder preditivo.

#Resultados

#Análise Descritiva

Nosso conjunto de dados revelou insights significativos sobre a população de pacientes que estudamos. Uma grande porcentagem dos pacientes admitidos na UTI foi liberada viva, enquanto uma parte menor, infelizmente, faleceu. A maioria dos pacientes ficou na UTI por menos de cinco dias, destacando que a maioria dos casos pode não ser tão grave quanto parecem.

Descobrimos que os valores medianos das pontuações tanto do MODS quanto do NEMS eram consistentes, indicando uma representação estável da gravidade dos pacientes e da carga de trabalho dos enfermeiros dentro dos nossos conjuntos de treinamento e validação. Além disso, notamos tendências na duração da permanência, com muitos pacientes tendo estadias curtas, mas uma minoria significativa ficando mais tempo do que o esperado.

#Previsão de Mortalidade

Ao prever a mortalidade dos pacientes, descobrimos que a regressão logística forneceu o melhor equilíbrio de desempenho entre os modelos que testamos. Enquanto florestas aleatórias e redes neurais também trouxeram resultados valiosos, a regressão logística teve a maior área sob a curva (AUC), sugerindo que foi a mais eficaz em prever resultados com precisão.

Nossa análise indicou que componentes específicos do MODS e NEMS eram importantes pra fazer essas previsões. Por exemplo, certos escores de disfunção orgânica se mostraram preditores significativos de mortalidade, confirmando a importância dessas avaliações em ambientes clínicos.

#Previsão da Duração da Permanência

Quando se tratou de prever quanto tempo os pacientes ficariam na UTI, utilizamos técnicas de modelagem semelhantes. O desempenho foi um pouco menor do que nas previsões de mortalidade, mas a regressão logística e as florestas aleatórias ainda foram bem.

Nossa análise revelou que vários componentes dos sistemas de pontuação MODS e NEMS eram significativos nesse contexto também. Notamos que um aumento nessas pontuações estava associado a uma estadia mais longa esperada na UTI, refletindo a natureza detalhada desses sistemas de pontuação na avaliação das condições dos pacientes.

#Nova Classe de Resultado - Previsão de LMClass

Desenvolvemos uma nova classificação de resultado que combina tanto o status de mortalidade quanto a duração da permanência, a qual chamamos de LMClass. Isso nos permitiu examinar os pacientes de forma mais abrangente, proporcionando insights sobre seus resultados além de classificações binárias simples.

Descobrimos que nosso modelo teve um desempenho razoavelmente bom ao prever esse novo resultado composto. Os resultados destacaram que pontuações altas em MODS e NEMS estavam correlacionadas com riscos aumentados em todas as três categorias que definimos. Esse resultado combinado poderia, em última instância, ajudar os clínicos a priorizar recursos e planejar o cuidado dos pacientes de forma mais eficaz.

#Discussão

Nossos achados sublinham a importância de usar sistemas de pontuação como MODS e NEMS pra prever os resultados dos pacientes na UTI. Os resultados da nossa pesquisa sugerem que integrar esses sistemas de pontuação em modelos preditivos pode melhorar muito as previsões de mortalidade e duração da permanência.

Além disso, a introdução do LMClass como um resultado composto oferece uma nova perspectiva sobre o cuidado dos pacientes. Ao examinar a mortalidade e a duração da permanência juntas, os profissionais de saúde podem obter mais insights sobre os desafios enfrentados pelos pacientes da UTI e alocar melhor seus recursos.

Contudo, existem limitações em nossa pesquisa que devem ser reconhecidas. Nossos dados são provenientes de hospitais de ensino específicos em Ontário, o que significa que os achados podem não ser aplicáveis a todos os cenários de UTI. Pesquisas futuras poderiam ampliar esse trabalho incorporando dados de locais e populações de pacientes mais diversas, incluindo aqueles afetados por doenças específicas como a COVID-19.

#Conclusão

Em conclusão, o uso dos sistemas de pontuação MODS e NEMS na previsão dos resultados dos pacientes na UTI se mostrou valioso. Nosso estudo revela o potencial desses modelos para previsões mais precisas em relação à mortalidade e à duração da permanência. Ao utilizar essas descobertas na prática clínica, os profissionais de saúde podem aprimorar seus processos de tomada de decisão e, em última análise, melhorar os resultados do cuidado dos pacientes.

Mais estudos são necessários pra validar esses achados em conjuntos de dados mais amplos e investigar a utilidade de técnicas de modelagem mais complexas que poderiam fornecer um poder preditivo ainda maior no futuro. À medida que os métodos de coleta e análise de dados continuam a evoluir, o potencial para melhorar os resultados dos pacientes na UTI só tende a crescer.