Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

Os hospitais são lugares onde a complexidade da doença humana muitas vezes se esconde atrás de rótulos simples. Um paciente chega com um diagnóstico, mas esse termo médico único raramente conta toda a história do que ele precisa. Duas pessoas podem ter a mesma doença, mas uma é forte o suficiente para caminhar e comer de forma independente, enquanto a outra é frágil, confusa e tem alto risco de cair ou desenvolver escaras. Por décadas, os registros hospitalares focaram pesadamente em diagnósticos médicos e códigos administrativos, que são úteis para o faturamento e rastreamento de doenças, mas frequentemente perdem a realidade diária da condição física e das necessidades de segurança de um paciente. Os enfermeiros, no entanto, são treinados para enxergar essa imagem ausente. Todos os dias, eles avaliam quão bem um paciente consegue se mover, qual a probabilidade de ele escorregar e se a sua pele está em risco de sofrer lesões. Essas observações criam um mapa rico e detalhado da vulnerabilidade do paciente que os registros médicos padrão frequentemente negligenciam.

O desafio sempre foi como transformar essas observações humanas detalhadas em um sistema que possa ajudar médicos e enfermeiros a tomar decisões mais rápidas e melhores para milhares de pacientes. Se um enfermeiro consegue detectar um padrão de risco em um paciente, pode um computador aprender a detectar esse mesmo padrão no próximo? Esta é a questão que uma equipe de pesquisadores na Espanha se propôs a responder. Eles queriam ver se poderiam usar as notas específicas e estruturadas que os enfermeiros escrevem quando um paciente chega para agrupar os pacientes em categorias claras de risco. O objetivo deles não era apenas classificar pacientes, mas construir uma ferramenta digital que pudesse automaticamente atribuir um novo paciente ao grupo de risco correto com base em uma verificação de enfermagem curta e rotineira, garantindo que as pessoas mais vulneráveis recebam a atenção necessária sem demora.

Os pesquisadores trabalharam com dados de um hospital na Espanha, analisando milhares de internações hospitalares. Eles começaram reunindo uma coleção massiva de registros de mais de 2.600 pacientes. Para cada um desses pacientes, eles tiveram acesso às avaliações de enfermagem completas e detalhadas realizadas quando foram admitidos. Essas avaliações incluíam pontuações sobre o quão bem um paciente conseguia realizar tarefas diárias, como comer e caminhar, a probabilidade de desenvolver úlceras de pressão e o risco de queda. Também incluíam a idade do paciente, sexo e uma pontuação que contava quantos outros problemas de saúde eles possuíam. Usando um método computacional que busca padrões ocultos sem ser instruído sobre o que procurar, a equipe deixou os dados falarem por si mesmos. Eles pediram ao computador para encontrar grupos naturais entre os pacientes com base nesses fatores combinados.

O computador encontrou cinco grupos distintos, ou perfis, que faziam sentido para especialistas humanos. O primeiro grupo consistia em pacientes mais jovens, muito saudáveis e independentes, com quase nenhum risco de queda ou de desenvolver escaras. O segundo grupo era semelhante em termos de independência física, mas era composto por pacientes mais velhos com mais problemas de saúde crônicos. O terceiro grupo representava pacientes com dificuldades moderadas; eles ainda conseguiam fazer algumas coisas por conta própria, mas estavam claramente com dificuldades. O quarto grupo incluía pacientes que eram significativamente dependentes de outros para os cuidados e enfrentavam altos riscos. Finalmente, o quinto grupo era o mais vulnerável: pacientes muito idosos com muitos problemas de saúde que eram completamente dependentes de outros para movimentação e tinham os maiores riscos de quedas e danos na pele. Essas cinco categorias criaram uma escada clara de risco, movendo-se daqueles que precisavam de pouca ajuda para aqueles que precisavam de cuidados constantes e intensivos.

Uma vez estabelecidos esses cinco grupos, os pesquisadores enfrentaram uma nova tarefa. Eles precisavam de uma maneira de atribuir novos pacientes a esses grupos sem ter que realizar a avaliação detalhada e demorada todas as vezes. Eles recorreram a uma ferramenta mais curta chamada instrumento VALENF, que é um checklist de sete itens usado rotineiramente pelos enfermeiros. Este checklist faz perguntas simples que estimam os mesmos riscos que os testes mais longos e detalhados. A equipe treinou um programa de computador para observar as respostas a essas sete perguntas e prever a qual dos cinco grupos de risco o paciente pertencia. Eles testaram vários tipos diferentes de algoritmos de aprendizado de máquina, tentando encontrar o que era mais preciso e, crucialmente, o que cometia os erros mais seguros.

No mundo da avaliação de risco, um erro pode ocorrer de duas formas: o computador pode pensar que um paciente está seguro quando ele está, na verdade, em risco, ou pode pensar que um paciente está em risco quando ele está, na verdade, seguro. Os pesquisadores descobriram que um tipo específico de algoritmo, conhecido como floresta aleatória (random forest), era a melhor escolha. Embora outro método fosse ligeiramente mais preciso no geral, a floresta aleatória era melhor em ser cautelosa. Ela tinha maior probabilidade de atribuir um paciente a um grupo de maior risco se houvesse qualquer dúvida, em vez de acidentalmente colocar uma pessoa vulnerável em uma categoria de baixo risco. Essa abordagem de "segurança em primeiro lugar" é vital em um ambiente hospitalar, onde perder um risco pode ter consequências graves. O modelo de computador escolhido classificou corretamente os pacientes em seus grupos de risco cerca de 82 por cento das vezes durante os testes, um nível de desempenho que os pesquisadores consideraram forte o suficiente para seguir em frente.

Para ver se este sistema funcionaria no mundo real, a equipe o testou em um novo conjunto de pacientes, envolvendo mais de 8.000 internações hospitalares registradas alguns anos depois. Eles não alteraram o programa de computador; simplesmente inseriram os novos dados para ver o que acontecia. Os resultados foram encorajadores. O sistema classificou com sucesso os novos pacientes nos cinco grupos de risco, e o padrão geral de risco permaneceu consistente. Os pacientes nos grupos de alto risco eram, de fato, mais velhos, tinham mais problemas de saúde e eram menos móveis do que aqueles nos grupos de baixo risco. As atribuições do computador corresponderam à realidade clínica das condições dos pacientes na grande maioria dos casos.

No entanto, o estudo também revelou algumas nuances importantes. O sistema funcionou melhor para os pacientes nas categorias de risco médio e alto. Para os dois grupos de pacientes que eram geralmente saudáveis, o computador às vezes os deslocava entre as categorias de "baixo risco" e "baixo risco com problemas de saúde". Isso aconteceu porque o novo grupo de pacientes era ligeiramente mais velho e tinha ligeiramente mais problemas de saúde crônicos do que o grupo original para o qual o computador foi treinado. Embora o computador tenha lidado com os casos complexos e de alto risco com grande estabilidade, as diferenças sutis na população mais saudável mostraram que o sistema é sensível a mudanças na composição dos pacientes. Os pesquisadores observaram que, embora a ferramenta seja tecnicamente sólida e clinicamente lógica, ainda não é um produto finalizado pronto para todos os hospitais.

O estudo conclui que é possível traduzir a imagem complexa e multidimensional da saúde de um paciente em um perfil de risco simples e automatizado usando dados de enfermagem de rotina. Os cinco grupos identificados fornecem uma forma clara e ordenada de entender a vulnerabilidade do paciente, indo além do simples diagnóstico médico para capturar a realidade da função e da segurança diária. A ferramenta de computador desenvolvida para atribuir esses perfis funciona bem, particularmente para identificar aqueles que precisam de mais cuidados. No entanto, os pesquisadores são cuidadosos ao afirmar que isso é um ponto de partida, não uma solução final. Antes que tal sistema possa ser usado para tomar decisões sobre o cuidado do paciente em hospitais, ele precisa ser testado em muitos hospitais diferentes e monitorado ao longo do tempo para garantir que ajude a melhorar os resultados e não crie novos problemas. O trabalho prova que a ideia é viável e que os dados estão lá, mas a jornada de um experimento computacional bem-sucedido para um componente confiável do cuidado diário de enfermagem exige mais provas e um planejamento cuidadoso.