Predicting Hospitalization Cost Overruns for Pulmonary Infections via Integrated Statistical Learning Methods

Resumo Técnico: Predição de Excedentes de Custos Hospitalares para Infecções Pulmonares via Métodos Integrados de Aprendizado Estatístico

Definição do Problema
Os excedentes de custos médicos entre pacientes internados com infecções pulmonares representam um desafio significativo para a eficiência da gestão hospitalar, particularmente no contexto das reformas de pagamento por Grupos de Diagnósticos Relacionados (DRG). A literatura existente reconhece o alto ônus econômico das doenças respiratórias, mas há uma escassez de análises aprofundadas que combinem algoritmos avançados de seleção de variáveis com aprendizado estatístico de máquina para identificar drivers de custo específicos. As abordagens tradicionais frequentemente dependem de seleção de variáveis por etapas (stepwise) subjetiva e pressuposições lineares, que podem falhar em capturar estruturas de covariância complexas ou relações não lineares inerentes aos dados médicos. Por outro lado, modelos de aprendizado de máquina do tipo "caixa-preta", embora precisos, carecem da interpretabilidade necessária para a formulação de políticas acionáveis e gestão clínica. Este estudo visa preencher essa lacuna ao construir um arcabouço analítico robusto para identificar os fatores centrais que impulsionam os excedentes de custos de hospitalização para infecções pulmonares.

Metodologia
O estudo utilizou um conjunto abrangente de dados de 1.826 registros de pacientes internados de um hospital terciário de grande porte em Sichuan Province, cobrindo o período de janeiro de 2023 a dezembro de 2024. Os pacientes foram incluídos se apresentassem diagnóstico primário de infecção pulmonar, fossem classificados sob códigos CHS-DRG específicos (ES31, ES33, ES35, ES38) e tivessem 14 anos ou mais de idade. Os dados foram divididos na proporção 1:1 entre conjuntos de treinamento e teste.

A pesquisa empregou um arcabouço de aprendizado estatístico integrado consistindo em quatro etapas principais:

1. Pré-processamento de Dados: As variáveis passaram por triagem de esparsidade (remoção de variância próxima de zero) e análise univariada (testes de Wilcoxon rank-sum e Qui-quadrado). Uma matriz de correlação de Spearman foi utilizada para eliminar variáveis altamente redundantes ($|r| > 0,8$).
2. Seleção Global de Características: Para superar as limitações da regressão stepwise tradicional e do LASSO, o algoritmo Adaptive Best Subset Selection (ABESS) foi empregado. Este método otimiza a restrição da norma $L_0$ para encontrar uma combinação de características esparsas globalmente ótima, garantindo objetividade e estabilidade na seleção de variáveis.
3. Modelagem de Linha de Base e Exploração Não Linear: Um modelo de regressão logística multivariável foi construído utilizando as variáveis selecionadas pelo ABESS. Para abordar potenciais não linearidades, um Modelo Aditivo Generalizado (GAM) foi introduzido, aplicando especificamente uma função de suavização à variável "tempo de permanência" (LOS).
4. Validação por Aprendizado de Máquina: Algoritmos de Random Forest e XGBoost foram utilizados como benchmarks externos para validar a robustez discriminatória e a capacidade de generalização do modelo logístico. Estes modelos serviram para realizar o cruzamento da importância das variáveis e garantir a consistência dos drivers de custo identificados.

Principais Resultados

• Seleção de Variáveis: O algoritmo ABESS identificou nove indicadores preditivos centrais: código DRG, sexo, tempo de permanência (LOS), número de diagnósticos, proteína C-reativa (PCR), creatinina, hipoproteinemia, uso de antibióticos de alto nível e uso de imunoglobulina.
• Desempenho da Regressão Logística: O modelo logístico de linha de base demonstrou alta precisão preditiva, com valores de Área Sob a Curva (AUC) de 0,915 (treinamento) e 0,904 (validação). Os principais drivers significativos incluíram:
  • Tempo de Permanência (LOS): Um aumento de um dia no LOS foi associado a um aumento de 59,7% nas chances de excedente de custo (OR = 1,597, $P < 0,001$).
  • Número de Diagnósticos: Cada diagnóstico adicional aumentou as chances de excedente em 13,6% (OR = 1,136, $P < 0,001$).
  • Sexo: Pacientes do sexo masculino apresentaram maior risco de excedente (OR = 1,697, $P = 0,018$).
  • Código DRG: Códigos de maior complexidade (ex: ES31) foram inversamente relacionados aos excedentes neste contexto específico (OR = 0,122), sugerindo diferenças na alocação de recursos.
• Insights Não Lineares: A análise GAM confirmou uma relação não linear entre o LOS e os excedentes de custos, onde a taxa de crescimento do risco de excedente desacelerou conforme o LOS aumentava. Embora o GAM tenha mostrado uma melhoria marginal na AUC (0,939 treinamento, 0,910 teste), seu principal valor foi isolar a interferência não linear de variáveis contínuas.
• Validação por Aprendizado de Máquina: Os modelos Random Forest e XGBoost alcançaram AUCs de treinamento mais elevadas (0,969 e 0,974, respectivamente), mas mostraram sinais de overfitting nos conjuntos de teste (0,873 e 0,913). Crucialmente, ambos os algoritmos classificaram consistentemente o "Tempo de Permanência" e o "Código DRG" como as duas características mais importantes, corroborando os achados do modelo logístico interpretável.
• Uso de Medicamentos Específicos: O uso de imunoglobulinas emergiu como um driver de risco significativo no GAM (OR = 8,188, $P = 0,039$), embora tenha sido apenas marginalmente significativo no modelo logístico. Os autores atribuem isso à natureza "nicho, mas de alto consumo" do fármaco, levando à esparsidade dos dados.

Significância e Alegações
O artigo alega três contribuições primárias:

1. Representatividade dos Dados: O uso de um conjunto de dados amplo e abrangente de um hospital de alto nível garante forte representatividade regional e valor de referência clínica.
2. Inovação Metodológica: Ao integrar o algoritmo ABESS para seleção de características ótima global e o GAM para capturar trajetórias não lineares, o estudo mitiga o viés de especificação do modelo e aumenta a objetividade da seleção de variáveis em comparação aos métodos stepwise tradicionais.
3. Arcabouço Híbrido Robusto: O estudo estabelece um arcabouço de "explicação de linha de base + exploração não linear + validação por aprendizado de máquina". Esta abordagem equilibra a interpretabilidade rigorosa da estatística tradicional com o poder preditivo do aprendizado de máquina.

Os autores concluem que, embora os modelos de aprendizado de máquina ofereçam limites de ajuste superiores, o modelo de regressão logística — suplementado pelo GAM para tendências não lineares — fornece uma ferramenta mais transparente e clinicamente acionável para identificar os principais drivers de custo. Este arcabouço apoia a gestão refinada sob as políticas de DRG, oferecendo suporte à decisão que é simultaneamente estatisticamente robusto e interpretável para administradores hospitalares e formuladores de políticas. O estudo reconhece limitações quanto à generalização devido ao seu desenho de centro único e sugere que trabalhos futuros incorporem fatores socioeconômicos e validação multicêntrica.