What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling

Resumo Técnico: O que impulsiona o Tempo de Permanência Hospitalar após Cirurgia de Coluna Eletiva? Insights de uma Década de Modelagem Preditiva

Definição do Problema
Prever o Tempo de Permanência Hospitalar (TPH) para pacientes submetidos à cirurgia de coluna eletiva é crítico para otimizar os resultados dos pacientes, gerir a capacidade hospitalar e controlar custos, que giram em torno de aproximadamente US$ 2.883 por dia de internação. Embora métodos computacionais como Inteligência Artificial (IA) e Aprendizado de Máquina (ML) tenham avançado, ainda não está claro quais modelos oferecem maior precisão e acurácia para a previsão do TPH neste domínio específico. Além disso, revisões sistemáticas existentes focaram em desfechos diversos (não exclusivamente o TPH), careceram de comparações detalhadas entre ML e abordagens estatísticas tradicionais ou não diferenciaram os preditores específicos que impulsionam o desempenho do modelo. Há uma lacuna notória na literatura em relação a definições padronizadas de desfecho, validação externa e análise comparativa de desempenho especificamente para cirurgia de coluna eletiva.

Metodologia
Este estudo é uma revisão sistemática conduzida de acordo com as diretrizes PRISMA.

• Estratégia de Busca: Os autores pesquisaram no PubMed, Google Scholar e na ACM Digital Library estudos publicados entre 1º de dezembro de 2015 e 1º de dezembro de 2024.
• Critérios de Inclusão: Estudos empíricos originais prevendo o TPH em pacientes de cirurgia de coluna eletiva utilizando técnicas baseadas em dados (modelos estatísticos ou de ML), publicados em inglês com acesso ao texto completo.
• Processo de Seleção: De um conjunto inicial de 1.263 estudos, 29 atenderam aos critérios de inclusão após a triagem de títulos, resumos e textos completos.
• Extração de Dados: Dois revisores independentes extraíram os dados usando um codebook abrangente cobrindo características do estudo, abordagens de modelagem (estatística vs. ML vs. PLN), definições de desfecho (contínuo, binário ou baseado em percentil), variáveis preditoras e métricas de desempenho (AUC, acurácia, precisão, recall, pontuação F1).
• Avaliação de Qualidade: O risco de viés foi avaliado utilizando a ferramenta Cochrane de risco de viés.

Principais Contribuições

• Escopo Focado: Ao contrário de revisões anteriores (ex: Lubelski et al.) que cobriram desfechos amplos, este estudo analisa exclusivamente a previsão do TPH em cirurgia de coluna eletiva.
• Expansão Temporal: Inclui 16 artigos adicionais publicados após 2020, capturando avanços recentes em metodologias de IA e integração de dados.
• Análise Granular de Preditores: O estudo categoriza e analisa sistematicamente uma vasta gama de preditores (demográficos, clínicos, operacionais e contextuais) para identificar quais variáveis impactam mais significativamente o desempenho do modelo.
• Análise Comparativa de Desempenho: Fornece uma comparação direta de pontuações de desempenho entre vários modelos, incluindo regressão logística, florestas aleatórias (random forests), algoritmos de boosting e redes neurais, identificando os modelos de melhor desempenho com base em métricas fundamentais.

Resultados

• Características do Estudo: Os 29 estudos incluídos foram predominantemente retrospectivos (90%), com tamanhos de amostra variando de 77 a 453.717 pacientes. As fontes de dados incluíram Registros Eletrônicos de Saúde (44,8%), bancos de dados nacionais como NSQIP (20,7%) e bancos de dados estaduais. A maioria dos estudos (72,4%) foi publicada entre 2020 e 2024.
• Abordagens de Modelagem:
  • Modelos Estatísticos: A regressão logística foi a abordagem mais comum (68,97% dos estudos), frequentemente servindo como linha de base (baseline).
  • Aprendizado de Máquina (ML): 24,1% dos estudos empregaram métodos de ML, incluindo Random Forests, Gradient Boosting (XGBoost, LightGBM), Máquinas de Vetores de Suporte (SVM) e K-Vizinhos Mais Próximos (KNN).
  • Abordagens Híbridas: 17,24% dos estudos compararam métodos estatísticos e de ML.
• Desempenho:
  • Modelos de ML geralmente superaram os modelos estatísticos tradicionais, com valores de Área Sob a Curva (AUC) variando de 0,94 a 0,99 nos estudos de melhor desempenho.
  • Melhores Desempenhos: K-Nearest Neighbors (KNN) e Naive Bayes com adaptive boosting alcançaram as AUCs reportadas mais altas (0,99 e 0,94, respectivamente). Modelos de Random Forest e Gradient Boosting também demonstraram desempenho superior, frequentemente excedendo uma AUC de 0,80.
  • Modelos de regressão logística mostraram desempenho respeitável, mas geralmente inferior, com AUCs tipicamente entre 0,70 e 0,80.
• Principais Preditores:
  • Demografia: A idade foi o preditor mais significativo (incluído em 79,3% dos estudos), com pacientes mais velhos associados a um TPH mais longo.
  • Fatores Clínicos: Comorbidades, especificamente hipertensão, diabetes e condições cardiovasculares, foram preditores fortes incluídos em 79,3% dos estudos.
  • Fatores Cirúrgicos: A duração da operação e a perda de sangue estimada foram fatores críticos, ligados à extensão do TPH em 72,4% e 55,2% dos estudos, respectivamente. Procedimentos minimamente invasivos foram associados a um TPH mais curto em 62,1% dos estudos.

Significância e Alegações
O artigo afirma que, embora os modelos de ML ofereçam forte potencial para melhorar o planejamento de alta e a gestão de recursos hospitalares, sua utilidade clínica é atualmente limitada pela falta de padronização e validação externa.

• Estado Atual: A revisão destaca que os modelos de ML, particularmente métodos de ensemble e algoritmos específicos como KNN e Naive Bayes, têm o potencial de superar as abordagens estatísticas tradicionais no tratamento de relações complexas e não lineares nos dados de cirurgia de coluna.
• Limitações: Os autores observam que muitos estudos carecem de validação externa robusta, utilizam amostras pequenas e sofrem de definições inconsistentes de desfechos de TPH, o que dificulta comparações diretas.
• Direções Futuras: O artigo defende que estudos futuros priorizem definições padronizadas de desfecho, transparência no relato e a incorporação de dados não estruturados (ex: notas clínicas via PLN/LLMs) para capturar históricos de pacientes mais detalhados. Sugere que modelos híbridos de deep learning e arquiteturas avançadas (ex: GNNs, mecanismos de atenção) representam um futuro promissor, embora ainda não sejam padrão na literatura de cirurgia de coluna revisada.

Em conclusão, o estudo posiciona a modelagem preditiva baseada em dados como uma ferramenta vital para otimizar o cuidado na cirurgia de coluna eletiva, mas enfatiza que a implementação ampla no mundo real requer o enfrentamento das lacunas atuais em validação e padronização de dados.