Risk Stratification for ICU Delirium using Pervasive Ambient Sensing Information

Resumo Técnico: Estratificação de Risco para Delirium em UTI utilizando Informação de Sensoriamento Ambiental Onipresente

Definição do Problema
O delirium é uma complicação prevalente e grave em Unidades de Terapia Intensiva (UTIs), associada ao aumento da morbidade, estadias hospitalares prolongadas e custos significativos de saúde (estimados em US$ 4–16 bilhões anualmente). O diagnóstico atual baseia-se no Confusion Assessment Method ICU (CAM-ICU), que é administrado por enfermeiros, o que leva a medições esparsas (tão baixas quanto 38% das admissões) e identificação retrospectiva apenas após o surgimento dos sintomas. Embora fatores ambientais como luz e som ambiente sejam conhecidos por contribuir para a disrupção circadiana, nenhum estudo prévio desenvolveu um modelo de avaliação de risco especificamente utilizando estas variáveis ambientais (pressão sonora e intensidade luminosa) para predição prospectiva.

Metodologia
O estudo utilizou dados de dois estudos prospectivos de centro único (PAIN e ADAPT) realizados no University of Florida Shands Hospital entre maio de 2019 e setembro de 2024.

• Coorte: O conjunto de dados ICU-ENV final compreendeu 309 pacientes (247 no desenvolvimento, 62 no teste) que tinham mais de 18 anos, foram admitidos na UTI e tinham previsão de permanência de pelo menos 24 horas.
• Coleta de Dados:
  • Sensores Ambientais: A intensidade da luz foi coletada via Actigraph GTX3+ (estudo PAIN) e Thunderboard Sense 2 (estudo ADAPT). Os níveis de pressão sonora foram coletados via iPod Touch com AudioTools (PAIN) e Thunderboard Sense 2 (ADAPT).
  • Verdade de Campo (Ground Truth): O status de delirium foi derivado diariamente de prontuários eletrônicos utilizando um algoritmo composto baseado na Richmond Agitation Sedation Scale (RASS), Glasgow Coma Scale (GCS) e escores de CAM-ICU.
• Pré-processamento:
  • Dados de Luz: Médias calculadas para "período diurno" (07:00–18:59) e "período noturno" (19:00–06:59).
  • Dados de Som: Convertidos em sete descritores estatísticos: Máximo ($L_{max}$), Mínimo ($L_{min}$) e percentis ($L_{99}, L_{90}, L_{50}, L_{10}, L_{01}$).
  • Janelamento: Os dados foram preenchidos com zeros (zero-padded) para uma janela de observação de 7 dias. Dez horizontes de predição foram definidos (1–7 dias, 14, 21 e 28 dias pós-observação).
• Arquitetura do Modelo: Quatro modelos de redes neurais sequenciais foram avaliados: Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Redes Neurais Convolucionais (CNN) e Transformer. O modelo CNN demonstrou desempenho superior.
• Interpretabilidade: A análise de Shapley Additive Explanations (SHAP) foi empregada para determinar a importância das características e a direção da influência.

Principais Resultados

• Desempenho do Modelo: A Rede Neural Convolucional (CNN) alcançou a melhor discriminação em todos os conjuntos de dados.
  • Modelo Apenas de Som: Alcançou uma AUC de 0,80, com desempenho máximo na janela de predição de 28 dias.
  • Modelo Apenas de Luz: Mostrou desempenho moderado, atingindo o pico em uma janela de predição de 5 dias.
  • Modelo Combinado (Som + Luz): Alcançou as pontuações de estratificação de risco mais altas em uma janela de predição de 7 dias. Embora o modelo combinado tenha reduzido ligeiramente a acurácia de classificação geral em comparação ao modelo apenas de som, ele melhorou significativamente a detecção precoce de risco.
• Estratificação de Risco: O modelo combinado atribuiu o risco relativo (RR) mais alto imediatamente após o período de sensoriamento (Dia 1), com um RR 1,8 vezes maior que o modelo apenas de som e 2,6 vezes maior que o modelo apenas de luz.
• Importância das Características (Análise SHAP):
  • Som: As características de som foram os preditores dominantes. Especificamente, o $L_{90}$ diurno (som de primeiro plano sustentado) e o $L_{max}$ noturno foram preditores positivos significativos. Por outro lado, o $L_{min}$ diurno (som de fundo) foi um preditor negativo.
  • Luz: A intensidade luminosa diurna foi mais importante que a intensidade luminosa noturna.
  • Interação: No modelo combinado, as características de som permaneceram mais informativas do que as características de luz.

Significância e Alegações
Os autores afirmam que este é o primeiro estudo a investigar a viabilidade de prever a incidência de delirium em UTI e estratificar o risco utilizando apenas fatores ambientais de luz e som.

• Utilidade Clínica: O estudo demonstra que o sensoriamento ambiental passivo, particularmente o som, fornece um sinal clinicamente significativo e interpretável para a estimativa do risco de delirium.
• Intervenção Precoce: Integrar dados de som com luz oferece um caminho prático para enriquecer as estratégias multimodais na UTI, atribuindo pontuações de risco mais altas em pontos temporais mais precoces (imediatamente após o sensoriamento), potencialmente facilitando intervenções precoces.
• Limitações: Os autores reconhecem que o tamanho modesto da amostra (309 pacientes) limita a robustez dos modelos e impede o treinamento com grandes contagens de parâmetros para evitar o overfitting. Eles também observam potenciais efeitos de lote (batch effects) entre os sensores, particularmente em relação às distribuições de intensidade luminosa, o que pode ter contribuído para o menor desempenho dos modelos apenas de luz.

Conclusão
Este trabalho estabelece uma base para o uso de sensoriamento onipresente na UTI para monitorar o risco de delirium. Embora os níveis de pressão sonora tenham se mostrado o principal motor da acurácia preditiva, a integração dos dados de luz aumenta a resolução temporal da avaliação de risco, oferecendo uma abordagem de monitoramento não invasiva e contínua para complementar as avaliações clínicas existentes.