Early detection of six-week post-discharge mortality and readmission among postpartum women and newborns in Uganda: development and temporal validation of multivariable prediction models

Em muitas partes do mundo, o momento mais perigoso para uma mãe e seu recém-nascido não é durante o parto em si, mas nas semanas que se seguem. Embora os hospitais tenham se tornado melhores na realização de partos seguros, o cuidado que acontece após a família deixar o edifício frequentemente falha. Os sistemas de saúde são frequentemente sobrecarregados, e as famílias podem deixar o hospital antes de terem recebido um check-up completo, apenas para retornar dias ou semanas depois, quando uma simples infecção se transformou em uma emergência de risco de vida. O desafio para os médicos é saber quais famílias estão seguras para ir para casa e quais precisam de atenção extra, visitas extras ou ajuda imediata. Sem uma forma de detectar esses riscos precocemente, os profissionais de saúde devem tratar todas as famílias da mesma maneira, uma estratégia que desperdiça recursos escassos em casos de baixo risco enquanto ignora aqueles de alto risco que mais precisam de ajuda.

Para resolver isso, uma equipe de pesquisadores em Uganda estabeleceu o objetivo de construir uma ferramenta prática que pudesse atuar como um sistema de triagem no momento da alta. Eles queriam ver se poderiam usar as informações básicas já disponíveis em um prontuário hospitalar — coisas como a frequência cardíaca da mãe, o tipo de parto ou se o bebê precisou de ajuda para respirar — para prever quem ficaria doente novamente dentro de seis semanas. Ao analisar dados de milhares de mães e bebês, eles desenvolveram modelos computacionais simples que poderiam classificar as famílias em categorias de risco. O objetivo não era substituir os médicos, mas dar a eles um sinal claro e baseado em evidências para ajudá-los a decidir quem precisa de uma visita de acompanhamento e quem pode ir para casa com tranquilidade.

O estudo ocorreu em dois grandes hospitais regionais em Uganda, um no sudoeste e outro no leste, atendendo uma população combinada de quase um milhão de pessoas. Durante um período de mais de um ano, a equipe de pesquisa registrou milhares de mulheres que tinham acabado de dar à luz. Eles coletaram uma ampla gama de informações, desde a pressão arterial e temperatura da mãe até o peso e os níveis de oxigênio do bebê. Eles também registraram detalhes sobre a gravidez, como se a mãe havia sido diagnosticada com malária ou HIV, e quanto tempo a família teve que viajar para chegar ao hospital. Assim que as mães e os bebês recebiam alta, a equipe fazia o acompanhamento com eles seis semanas depois, seja por telefone ou pessoalmente. Eles monitoraram se as mães havam sido readmitidas no hospital por infecções relacionadas ao parto e se os bebês haviam morrido ou sido readmitidos por doenças graves.

Os pesquisadores descobriram que, embora a maioria das famílias tenha passado bem, um número significativo enfrentou complicações sérias. Entre as quase sete mil mães que completaram o estudo, nenhuma morreu, mas mais de três por cento tiveram que retornar ao hospital, sendo que mais da metade desses retornos foi causada por infecções como infecções no sítio cirúrgico ou sepse. Para os bebês, a situação era ligeiramente mais precária; cerca de 3,8 por cento dos recém-nascidos foram readmitidos, e uma pequena, mas trágica fração morreu dentro dessa janela de seis semanas. A equipe então usou esses dados para treinar seus modelos de predição. Eles testaram milhares de diferentes combinações de variáveis para encontrar o menor conjunto de fatos que ainda pudesse identificar com precisão as famílias em risco. Eles descobriram que não precisavam de uma bateria complexa de testes; um punhado de observações de rotina era suficiente para fazer uma previsão confiável.

Para as mães, o modelo final baseou-se em oito informações fundamentais. Estas incluíam como o bebê nasceu, a frequência cardíaca da mãe no momento da alta, se ela teve infecção urinária durante a gravidez e se o bebê precisou de ressuscitação ao nascer. Outros fatores, como se a mãe tinha HIV ou malária durante a gravidez, e se ela estava deixando o hospital contra orientação médica, também desempenharam um papel. Quando os pesquisadores testaram este modelo, ele provou ser bastante eficaz em identificar as mulheres que ficariam doentes novamente. Ele alcançou um AUC de 0,8 para identificar as mulheres que acabariam sendo readmitidas por uma infecção, enquanto alcançou um AUC de 0,7 para identificar corretamente aquelas que permaneceriam saudáveis. Este equilíbrio significava que a ferramenta poderia sinalizar as pessoas certas para cuidados extras sem sobrecarregar o sistema com alarmes falsos.

O modelo para os recém-nascidos era ligeiramente diferente porque tinha que prever duas coisas: morte e readmissão. A equipe descobriu que os melhores preditores de risco para um bebê incluíam o estado de HIV da mãe, se a mãe tinha baixa produção de leite, o peso do bebê e quanto tempo a família levou para viajar até o hospital. O modelo também considerou se a mãe teve quaisquer condições diagnosticadas durante a gravidez e se antibióticos foram usados durante a internação. Embora o modelo para recém-nascidos fosse bom em identificar o risco, era menos preciso que o modelo materno, alcançando um AUC de 0,8 para identificar os bebês que morreriam ou seriam readmitidos, mas com uma taxa maior de alarmes falsos. Isso ocorre, em parte, porque o número de mortes era muito baixo, tornando estatisticamente mais difícil construir um preditor perfeito para esse resultado específico.

Para garantir que suas descobertas não fossem apenas uma sorte passageira específica de um grupo de pessoas, os pesquisadores testaram seu modelo materno em um conjunto diferente de dados do mesmo hospital, coletados alguns anos antes. O modelo apresentou o mesmo desempenho nos dados antigos que nos novos, sugerindo que as regras que aprendeu eram estáveis e confiáveis ao longo do tempo. Isso deu à equipe confiança de que a ferramenta poderia funcionar no mundo real, mesmo que as populações de pacientes mudassem ligeiramente. O estudo também destacou que os motivos mais comuns para as mães retornarem ao hospital eram infecções diretamente relacionadas ao parto, como infecções da ferida cirúrgica ou do útero, em vez de doenças não relacionadas, como a malária. Isso confirmou que focar nessas complicações específicas e evitáveis era a estratégia correta para uma ferramenta de alta hospitalar.

Os pesquisadores foram cuidadosos ao notar os limites de seu trabalho. Os modelos foram construídos e testados apenas em Uganda e, embora os hospitais atendessem uma população grande e diversificada, os resultados podem não se aplicar exatamente da mesma forma em outros países ou em clínicas rurais menores. Eles também apontaram que sua ferramenta foi projetada especificamente para detectar infecções obstétricas e não levava em conta outras razões pelas quais uma mãe poderia adoecer, como problemas de saúde mental ou lesões. Além disso, como o número de mortes de recém-nascidos era muito pequeno, o modelo para prever a mortalidade infantil era menos certo do que o de readmissões. Apesar dessas limitações, o estudo demonstrou que é possível criar um sistema simples e baseado em risco usando dados que já estão sendo coletados no cuidado de rotina.

O valor último deste trabalho reside no seu potencial para mudar a forma como o cuidado pós-natal é entregue. Em vez de uma abordagem genérica onde cada família recebe o mesmo conselho, os profissionais de saúde poderiam usar estes modelos para identificar os díades específicos que precisam de mais apoio. Uma mãe sinalizada como de alto risco poderia ser priorizada para uma visita domiciliar, receber aconselhamento mais detalhado sobre sinais de alerta ou ser encaminhada imediatamente para um agente comunitário de saúde. Esta abordagem direcionada respeita a realidade dos sistemas de saúde sobrecarregados, direcionando recursos limitados para as pessoas que mais precisam deles. Ao transformar observações clínicas de rotina em um sinal claro para ação, o estudo oferece um caminho para prevenir o evitável, garantindo que a segurança de uma mãe e de seu bebê se estenda muito além das portas do hospital.