Os algoritmos de aprendizado de máquina (machine learning) que alavancaram um banco de dados administrativo superaram os métodos convencionais de previsão das taxas de mortalidade por sepse — infecção generalizada do organismo, de acordo com um estudo publicado no Journal of Medical Internet Research.
O CDC (Centros de Controle e Prevenção de Doenças) relata que 1,7 milhão de adultos nos EUA desenvolvem sepse em um ano típico e 270 mil deles morrem como resultado. Alguns pacientes que sobrevivem à sepse também desenvolvem danos permanentes nos órgãos e têm um risco maior de outras condições médicas, mesmo vários anos após a recuperação. Os custos incorridos com o tratamento da sepse variam de acordo com a gravidade da infecção e se a infecção estava presente no momento da admissão no hospital, mas pesquisas indicam custos potenciais entre US$ 16.324 e US$ 51.022 por paciente. Os pacientes que desenvolvem outras condições médicas resultantes da sepse incorrem em custos adicionais.
Os modelos de machine learning foram aplicados anteriormente para a previsão de mortalidade por sepse no local de atendimento, mas o novo estudo teve como objetivo comparar o desempenho dos algoritmos com o de modelos convencionais de previsão de mortalidade por sepse intra-hospitalar utilizando dados administrativos.
Os pesquisadores desenvolveram quatro modelos de machine learning para analisar os dados e compararam os resultados com um modelo de inteligência artificial (IA) já existente, o modelo Super Learner, e o modelo de previsão convencional, o Severe Sepsis Mortality Prediction Model. Dados relacionados à demografia, comorbidades, características do hospital, diagnóstico e procedimento realizado no primeiro dia de internação foram utilizados como variáveis de predição.
Os algoritmos de machine learning foram treinados usando um conjunto de dados de 726.918 pacientes adultos extraídos do banco de dados US Nationwide Inpatient Sample (NIS) no período de 2010 a 2013. Eles foram validados em um conjunto de dados de 196.841 pacientes adultos do NIS 2014.
No geral, os modelos de machine learning superaram o modelo de previsão convencional. Dos algoritmos de IA, o método de árvore de decisão impulsionado por gradiente e o modelo de rede neural de aprendizado profundo superaram os outros na previsão de mortalidade por sepse.
De acordo com o estudo, os modelos para prever a mortalidade por sepse são úteis para calcular as taxas de mortalidade padronizadas pelo risco de sepse (RSMRs), que são significativas para medir a qualidade do atendimento à sepse nos sistemas de saúde. As lacunas entre o RSMR de uma instalação e os dos hospitais de melhor desempenho podem ajudar a chamar a atenção para diferenças na prática que podem levar a melhorias na qualidade do atendimento à sepse e na alocação de recursos.
Os pesquisadores também observaram que extrair dados de bancos de dados administrativos de hospitais para pesquisa é menos demorado e mais econômico do que tentar usar dados de sistemas EMR (Electronic Medical Record, ou prontuário eletrônico do paciente), tornando os modelos de previsão baseados em dados administrativos uma estratégia eficaz para algoritmos preditivos futuros e, assim, medidas da qualidade do cuidado da sepse.
Apesar desses benefícios potenciais, os pesquisadores afirmam que o seu é o primeiro estudo que eles conhecem a usar modelos avançados de machine learning para prever a mortalidade por sepse intra-hospitalar com base em dados administrativos. Eles alertam que são necessárias mais pesquisas antes que os modelos possam ser usados em hospitais.
