Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery
Este estudo desenvolveu e validou internamente um modelo de aprendizado de máquina pré-operatório utilizando dados clínicos rotineiros para predizer moderadamente estadias hospitalares prolongadas em adultos mais velhos submetidos à cirurgia de câncer colorretal, identificando a fragilidade e a comorbidade como preditores fundamentais, ao mesmo tempo em que destacou a necessidade de validação externa antes da implementação clínica.
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
Os hospitais são locais de cura, mas para idosos, uma estadia longa pode tornar-se uma fonte de novos danos. Quando um idoso é admitido para uma cirurgia de grande porte, o próprio ambiente hospitalar pode desencadear um declínio nas suas capacidades físicas e mentais. Este fenómeno, conhecido como incapacidade associada ao hospital, inclui a perda de força muscular, confusão e uma redução da capacidade de cuidar de si próprio, tudo o que pode acontecer simplesmente porque um paciente fica confinado a uma cama ou a um quarto por tempo demais. Para pacientes que enfrentam uma cirurgia de cancro colorretal, o desafio é agravado pelo facto de frequentemente chegarem com uma mistura de outros problemas de saúde, reserva física reduzida e necessidades sociais complexas que tornam o regresso a casa difícil. Os médicos sabem há muito tempo que a fragilidade — um estado de maior vulnerabilidade ao stress — é um melhor preditor de desfechos negativos do que a idade isoladamente, contudo, prever exatamente quem necessitará de uma estadia hospitalar prolongada continua a ser difícil. As ferramentas tradicionais focam-se frequentemente no risco de morte ou de complicações graves, perdendo o risco mais subtil, mas igualmente prejudicial, de uma admissão prolongada que deixa o paciente mais fraco do que quando chegou.
Num estudo recente, investigadores do Southend University Hospital e do Southmead Hospital propuseram-se construir uma ferramenta digital para resolver este problema específico. Eles queriam saber se poderiam usar um programa de computador para analisar os dados de saúde de um paciente antes da cirurgia e prever se esse paciente ficaria no hospital por mais de dez dias. A equipa concentrou-se em 197 adultos mais velhos, todos com 65 anos ou mais, que estavam a ser avaliados para cirurgia de cancro colorretal. Deste grupo, analisaram os registos de 149 pacientes que efetivamente realizaram a operação. Os investigadores recolheram uma vasta gama de informações disponíveis antes do início da cirurgia, incluindo a idade do paciente, uma medida da sua fragilidade chamada Escala de Fragilidade Clínica, o número de outras condições médicas que possuía, quantos medicamentos tomava e a sua situação social, como o local onde vivia e o apoio que tinha em casa. Também incluíram pontuações de risco cirúrgico padrão que estimam a dificuldade da operação.
Para dar sentido a esta mistura complexa de dados, a equipa utilizou um método de aprendizagem automática chamado classificador de gradiente de reforço (gradient-boosted classifier). Pode pensar nisto como um programa de computador que aprende ao construir uma série de árvores de decisão, onde cada nova árvore corrige os erros da anterior, criando eventualmente um modelo altamente preciso para detetar padrões. Os investigadores treinaram este modelo para distinguir entre pacientes que teriam uma estadia curta ou moderada e aqueles que teriam uma estadia prolongada de mais de dez dias. Testaram o modelo rigorosamente, dividindo repetidamente os dados em diferentes grupos para garantir que os resultados não eram apenas um golpe de sorte. O modelo provou ser moderadamente bem-sucedido na sua tarefa. Identificou corretamente pacientes em risco de uma estadia longa cerca de 75% das vezes, com uma sensibilidade de 66%, o que significa que captou dois terços das pessoas que acabaram por ficar tempo demais. Foi também razoavelmente bom a excluir aqueles que teriam uma estadia mais curta, com uma especificidade de 75%.
O estudo revelou que as pistas mais poderosas para prever uma estadia longa não foram simplesmente a idade do paciente ou o tipo de cirurgia, mas sim o seu nível de fragilidade e a sua pontuação de risco cirúrgico global. O número de outras condições de saúde e a mobilidade do paciente também desempenharam papéis significativos. Curiosamente, os investigadores descobriram que, embora o modelo fosse decente a prever um resultado binário — se uma estadia seria longa ou não — era muito menos fiável a prever o número exato de dias que um paciente passaria no hospital. Quando tentaram usar o computador para prever durações específicas, as previsões estavam frequentemente erradas por vários dias, sugerindo que a duração exata de uma estadia hospitalar é influenciada por demasiados factores imprevisíveis para ser calculada com precisão antecipadamente. Esta distinção é crucial: a ferramenta é melhor a sinalizar um paciente de alto risco que precisa de planeamento extra do que a dizer a um médico exatamente quando esse paciente será dado alta.
As implicações de conseguir identificar estes pacientes de alto risco são significativas. Os investigadores estimaram que, se este modelo fosse aplicado aos cerca de 21.000 procedimentos de cancro colorretal realizados anualmente em Inglaterra e Gales, poderia ajudar a identificar milhares de pacientes que provavelmente enfrentarão uma estadia prolongada. Uma admissão prolongada não é apenas uma questão de disponibilidade de camas hospitalares; é uma ameaça direta à independência do paciente. O estudo destacou que os pacientes que ficam mais tempo estão expostos a taxas mais elevadas de declínio funcional, delirium e outras complicações adquiridas no hospital. Ao identificar estes pacientes precocemente, as equipas médicas poderiam potencialmente intervir com uma preparação pré-operatória mais intensiva ou apoio pós-operatório para encurtar a sua estadia. O argumento económico também é convincente; os investigadores calcularam que reduzir a duração da estadia em apenas um dia para 10% destes casos nacionais poderia poupar quase £2 milhões apenas em custos de camas, um valor que subiria para mais de £5 milhões se a redução fosse alcançada em 20% dos casos.
Apesar destes resultados promissores, os autores advertem cuidadosamente que esta ferramenta ainda não está pronta para uso imediato em todos os hospitais. O estudo foi realizado num único centro e baseou-se em dados retrospectivos, o que significa que o modelo foi testado em registos passados, em vez de pacientes futuros. O desempenho do modelo variou dependendo de como os dados foram testados, e os investigadores enfatizaram que ele precisa de ser validado num grupo de pacientes maior e mais diversificado antes de poder ser confiado para orientar decisões clínicas. O estudo conclui que, embora a aprendizagem automática mostre grande promessa para ajudar os médicos a planear os cuidados para idosos submetidos a cirurgia de cancro colorretal, o próximo passo é testar o modelo em ensaios prospetivos em tempo real, para ver se agir sobre as suas previsões leva de facto a estadias hospitalares mais curtas e seguras. Até lá, a ferramenta permanece um auxílio sofisticado para a estratificação de risco, oferecendo uma visão mais clara de quem está mais vulnerável aos perigos ocultos de uma longa admissão hospitalar.
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.