Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
Este estudo desenvolveu e validou temporalmente modelos de aprendizado de máquina distintos utilizando dados de admissão para prever tanto a mortalidade hospitalar quanto a hospitalização de alto custo em pacientes com pneumonia comunitária grave, demonstrando desempenho superior em relação aos escores tradicionais e revelando padrões distintos de clínica e uso de recursos entre os estratos de risco combinados.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Todos os anos, milhões de adultos são hospitalizados com pneumonia grave, uma infecção potencialmente fatal que atinge os pulmões. Para os médicos, o desafio imediato é duplo: eles devem decidir quais pacientes correm maior risco de morte e quais pacientes exigirão cuidados mais caros e intensivos em recursos. Tradicionalmente, os hospitais têm se baseado em listas de verificação simples para avaliar o quão doente um paciente está. Essas ferramentas analisam sinais básicos como idade, confusão mental, frequência respiratória e pressão arterial para estimar o risco de morte. No entanto, essas mesmas listas de verificação não foram projetadas para prever custos financeiros e, muitas vezes, ignoram os complexos sinais biológicos que indicam que um paciente precisará de uma internação longa e dispendiosa. À medida que os sistemas de saúde enfrentam uma pressão crescente para gerir os recursos de forma inteligente, há uma necessidade crítica de compreender não apenas quem pode morrer, mas quem consumirá a maioria dos suprimentos médicos e do tempo da equipe, tudo com base nas informações disponíveis no momento em que o paciente entra pela porta.
Uma equipe de pesquisadores do Primeiro Hospital de Nanjing e da Universidade de Ciências Farmacêuticas da China propôs-se a resolver este problema criando um novo tipo de sistema de previsão. Eles reuniram dados de 1.543 adultos admitidos com pneumonia comunitária grave entre 2020 e 2025. Em vez de depender de uma única lista de verificação, utilizaram o aprendizado de máquina (machine learning), um tipo de programa de computador que aprende padrões a partir de vastas quantidades de dados, para criar dois modelos de previsão distintos. O primeiro modelo foi treinado para prever a probabilidade de um paciente morrer durante a sua estadia hospitalar. O segundo modelo foi treinado para prever se a conta total do hospital seria excepcionalmente alta, definida neste estudo como superior a 38.969 yuans chineses. Crucialmente, ambos os modelos foram construídos utilizando apenas as informações que os médicos possuem no exato momento da admissão, tais como sinais vitais, resultados de exames de sangue e o histórico médico do paciente, ignorando quaisquer dados que só se tornam disponíveis após o início do tratamento.
Os pesquisadores descobriram que os seus modelos de aprendizado de máquina foram significativamente melhores a realizar estas previsões do que as ferramentas padrão atualmente em uso. Para prever a morte, o seu melhor modelo alcançou um AUC de 0,73, uma melhoria notável em relação ao sistema de pontuação padrão, que era correto apenas cerca de 54 por cento das vezes. Para prever custos elevados, o seu modelo também superou uma linha de base simples que considerava apenas a idade e o número de condições de saúde existentes. O estudo revelou que os fatores que impulsionam um alto risco de morte não são exatamente os mesmos que impulsionam um custo elevado. Embora ambos os modelos tenham analisado pontos de dados semelhantes, como níveis de oxigênio e função cardíaca, o computador aprendeu que diferentes combinações destes sinais apontavam para resultados diferentes.
Para dar sentido a estas descobertas, os pesquisadores agruparam os pacientes em quatro categorias com base na combinação de riscos que os seus modelos previam. Eles descobriram dois grupos particularmente distintos que os métodos tradicionais frequentemente ignoram. Um grupo consistia em pacientes que eram previstos com um risco muito elevado de morte, mas um baixo risco de gerar custos elevados. Estes pacientes eram tipicamente mais velhos e apresentavam sinais graves de sofrimento físico, como frequências respiratórias muito elevadas e níveis altos de uma proteína chamada lactato, que indica que o corpo está a lutar para obter oxigénio suficiente. Devido ao facto de a sua condição ser tão crítica, estes pacientes frequentemente requeriam cuidados intensivos e ventilação mecânica, mas as suas estadias hospitalares eram frequentemente interrompidas pela morte, resultando em custos totais mais baixos.
Em contraste, um segundo grupo foi previsto com um baixo risco de morte, mas um risco muito elevado de gerar custos elevados. Estes pacientes eram geralmente mais estáveis fisicamente, mas requeriam uma vasta gama de recursos caros. Os seus custos elevados provinham de um uso cumulativo de suprimentos médicos, cuidados de enfermagem, testes laboratoriais e medicamentos ao longo de um período mais longo. O estudo mostrou que estes dois grupos tinham perfis clínicos muito diferentes, sugerindo que uma única pontuação de risco não é suficiente para orientar a gestão hospitalar. Ao observar ambos os riscos simultaneamente, os médicos poderiam potencialmente identificar pacientes que necessitam de intervenção imediata para salvar vidas versus aqueles que necessitam de uma gestão cuidadosa e intensiva em recursos para prevenir complicações.
Os pesquisadores enfatizaram que, embora os seus modelos tenham tido um bom desempenho nos testes, eles ainda se encontram numa fase exploratória. O estudo foi realizado num único hospital e os custos específicos previstos estão ligados aos preços locais e às políticas de saúde. A equipa observou que o seu trabalho não prova que alterar o tratamento com base nestas previsões irá melhorar os resultados, mas fornece uma nova forma de visualizar as necessidades dos pacientes. Eles sugerem que, no futuro, tais avaliações de risco duplo poderão ajudar os hospitais a alocar os seus recursos limitados de forma mais eficaz, garantindo que os pacientes mais graves recebam cuidados urgentes enquanto aqueles com estadias longas e complexas prováveis recebam a atenção necessária sem sobrecarregar o sistema. O estudo conclui que utilizar os mesmos dados de admissão para prever tanto a morte quanto o custo oferece uma visão mais completa dos desafios enfrentados pelos pacientes com pneumonia grave do que os métodos atuais permitem.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.