Construction and Validation of Risk Factors Prediction Model for Unplanned Readmission to the Surgical Intensive Care Unit: A Retrospective Study

No ambiente de alto risco de uma unidade de terapia intensiva cirúrgica, o momento em que um paciente é considerado estável o suficiente para sair é tão crítico quanto a própria cirurgia. Essas unidades especializadas são projetadas para apoiar o corpo através de suas horas mais vulneráveis após uma operação, monitorando sinais vitais e a função dos órgãos com escrutínio intenso. No entanto, a jornada de um paciente nem sempre termina com uma transferência para um quarto hospitalar comum. Às vezes, dentro de dias após deixar a unidade de terapia intensiva, a condição de um paciente se deteriora, forçando um retorno não planejado. Este evento não é meramente um inconveniente logístico; é um sinal de alerta sério de que a recuperação do paciente não foi tão segura quanto se esperava. Sistemas médicos ao redor do mundo rastreiam esses retornos de perto porque eles estão ligados a riscos mais elevados de morte, estadias hospitalares mais longas e uma maior sobrecarga nos recursos médicos. O desafio para os médicos tem sido, há muito tempo, identificar, antes de um paciente sair pela porta, quem provavelmente irá tropeçar e precisar retornar.

Uma equipe de pesquisadores de um grande hospital em Xangai estabeleceu o objetivo de resolver este enigma específico para pacientes que haviam passado por cirurgias não cardíacas. Eles analisaram os registros de quase 3.000 adultos que passaram algum tempo em sua unidade de terapia intensiva cirúrgica após operações no fígado, estômago, intestinos ou outros órgãos, mas não no coração. Ao revisar cuidadosamente os dados desses pacientes, os pesquisadores buscaram encontrar as pistas específicas que apareciam nos registros médicos daqueles que foram readmitidos versus aqueles que se recuperaram sem problemas. Eles focaram no período imediatamente anterior à alta do paciente, buscando padrões em exames de sangue, sinais vitais e sistemas de pontuação que medem o quão doente uma pessoa está. O objetivo era construir uma ferramenta que pudesse pegar essas peças dispersas de informação e combiná-las em uma única e clara previsão de risco.

O estudo revelou que retornos não planejados à unidade de terapia intensiva eram relativamente raros, ocorrendo em cerca de 2,4 por cento dos pacientes estudados. Quando esses retornos aconteciam, o motivo mais comum era a insuficiência respiratória, significando que os pacientes tinham dificuldade para respirar efetivamente uma vez que estavam na enfermaria comum. Para entender por que isso acontecia, os pesquisadores compararam os dados médicos dos pacientes que retornaram com os daqueles que não retornaram. Eles descobriram que vários fatores específicos eram consistentemente diferentes no grupo que voltou. Estes incluíam a severidade geral do paciente ao entrar na unidade, uma avaliação rápida de seus sinais de alerta precoce e sistemas de pontuação que medem o quão doente uma pessoa está. Estes incluíam a pontuação do paciente em um sistema que avalia a fisiologia aguda e a saúde crônica, uma pontuação que monitora sinais de alerta precoce como frequência respiratória e consciência, e o tempo que o sangue leva para coagular. Eles também observaram o nível de creatinina no sangue, que indica o qu longo os rins estão funcionando, a frequência cardíaca do paciente, uma medida de quão eficientemente o oxigênio se move dos pulmões para o sangue, e o nível de hemoglobina, que transporta oxigênio por todo o corpo. A análise mostrou que pontuações mais altas para gravidade da doença e sinais de alerta precoce, juntamente com coagulação sanguínea mais lenta, frequências cardíacas mais altas e níveis mais baixos de eficiência de oxigênio ou hemoglobina, todas aumentavam a probabilidade de um paciente precisar retornar à terapia intensiva.

Utilizando esses sete fatores, a equipe construiu uma ferramenta visual chamada nomograma. Esta ferramenta funciona como uma calculadora personalizada para médicos. Para usá-la, um clínico localizaria os valores específicos do paciente para cada um dos sete fatores em um gráfico, traçaria uma linha até uma escala de pontos e somaria o total de pontos. A soma final aponta diretamente para uma porcentagem que representa a probabilidade de readmissão do paciente. Os pesquisadores testaram esta ferramenta com os dados que possuíam, e ela apresentou alto desempenho, distinguindo corretamente entre pacientes que retornariam e aqueles que não retornariam na grande maioria dos casos. Quando aplicaram a ferramenta a um grupo separado de pacientes para ver se ela se sustentava, ela continuou a mostrar forte confiabilidade, prevendo corretamente os resultados em mais de 85 por cento dos casos.

O estudo sugere que esta ferramenta pode ajudar as equipes médicas a tomar decisões mais informadas sobre quando é seguro dar alta a um paciente. Ao quantificar o risco com base em dados concretos em vez de apenas intuição, os médicos podem identificar indivíduos de alto risco antes de saírem da unidade de terapia intensiva. Para esses pacientes, a ferramenta pode motivar a decisão de mantê-los sob observação por um pouco mais de tempo ou de organizar um monitoramento mais intensivo assim que estiverem na enfermaria comum. Os pesquisadores observaram que seu trabalho se limitou a um único hospital e focou apenas em cirurgias não cardíacas, portanto, a ferramenta precisa de mais testes em outros ambientes para confirmar sua utilidade em todos os lugares. No entanto, o modelo oferece uma maneira simples e individualizada de observar a mistura complexa de fatores que determinam a recuperação de um paciente, oferecendo um caminho mais claro para prevenir um retorno perigoso e dispendioso à terapia intensiva.