Identificação de pacientes admitidos com exacerbações de DPOC e previsão de risco de reinternação usando aprendizado de máquina

Um quinto dos pacientes que recebem alta hospitalar por exacerbações de DPOC são readmitidos em 30 dias.(1, 3, 4) Embora as terapias e as diretrizes de cuidados tenham melhorado, a implementação das diretrizes continua ruim.(5) A implementação de padrões apropriados por meio do fluxo de trabalho hospitalar usual apresenta desafios significativos. Um dos principais desafios é garantir que todos os pacientes elegíveis com exacerbações de DPOC sejam identificados em tempo hábil.(6) Outro grande desafio é que os funcionários geralmente estão muito ocupados e não têm tempo para executar práticas baseadas em evidências que reduzem as reinternações.(6) Além disso, o gerenciamento intensivo de casos não pode ser oferecido a todos devido aos recursos limitados. Portanto, é importante que sejamos capazes de identificar tanto as pessoas que são admitidas com DPOC precocemente quanto aquelas com alto risco de reinternação.

As exacerbações da DPOC podem, às vezes, não ser facilmente reconhecidas no início e levar dias para se tornarem aparentes. Os sintomas de exacerbações, como falta de ar, não são específicos e sinais como infiltrados na radiografia de tórax podem ser decorrentes de um ou mais diagnósticos. Além disso, as exacerbações da DPOC podem desencadear ou ser desencadeadas por outras doenças. Como resultado, não é incomum que médicos assistentes admitam pacientes com múltiplos diagnósticos provisórios de insuficiência cardíaca, pneumonia, exacerbação de DPOC e outros. A distinção de pessoas com exacerbações de DPOC é ainda mais confusa pelos Registros Eletrônicos de Saúde (EHRs) que não possuem diagnósticos listados como elementos codificados. O resultado final é que é difícil para o restante da equipe interprofissional encontrar pacientes com DPOC no início da internação. Isso foi abordado em alguns hospitais dos EUA, fazendo com que profissionais de saúde não revisassem os prontuários para identificar pacientes internados com DPOC.(7) Uma abordagem alternativa tem sido o aprendizado de máquina e o processamento de linguagem natural. Isso foi implementado com algum sucesso para pacientes com insuficiência cardíaca, mas pouco foi feito para pessoas com DPOC.(13) Em um programa piloto, o processamento de linguagem natural ajudou a identificar pacientes internados com DPOC.(7)

Para direcionar recursos escassos para aqueles que mais precisam, seria útil identificar melhor os pacientes com alto risco de readmissão. Este seria o primeiro passo para determinar como implementar estratégias eficazes para reduzir as taxas de reinternação. Existem modelos de predição de readmissão desenvolvidos para pacientes médicos e cirúrgicos, incluindo o escore LACE e o escore HOSPITAL.(8, 9) Infelizmente, aqueles que foram estudados não parecem ter um bom desempenho na população com DPOC.(10) Embora tenham sido identificados fatores que ajudam a prever a reinternação por DPOC, os modelos não foram totalmente validados.(11, 12) O desempenho pode ser melhorado por meio do uso de dados não estruturados, como notas de progresso clínico e resumos de alta.

A identificação precoce de pessoas com DPOC e o conhecimento daqueles que correm risco de readmissão podem melhorar os resultados de saúde. Zafar et ai. demonstraram que um pacote abrangente de cuidados com a DPOC que consistia em 1. avaliação do inalador, 2. regime inalatório apropriado, 3. acompanhamento precoce da alta e 4. instruções de alta centradas no paciente reduziu as reinternações.(14) A identificação daqueles com alto risco de readmissão pode facilitar a inscrição no gerenciamento intensivo de casos. Portanto, conduziremos o presente estudo para identificar os pacientes admitidos com exacerbações agudas da DPOC e estratificar os pacientes de acordo com o risco de reinternação

Métodos:

Usando dados retrospectivos da University Health Network (UHN), criaremos um conjunto de dados de admissões em General Internal Medicine nos últimos 5 anos. Estimamos que isso incluirá aproximadamente 40.000 admissões, das quais 2.000 terão diagnósticos mais responsáveis ​​de uma exacerbação da DPOC. O conjunto de dados conterá dados codificados estruturados, bem como dados de texto não estruturados. Os dados codificados incluirão idade, sexo, medicamentos prescritos, comorbidades, valores laboratoriais e testes de função pulmonar. Os dados de texto não estruturados incluirão notas no EHR: notas clínicas médicas, resumos de alta, diagnósticos de admissão, notas de progresso e notas de nosso sistema de assinatura.

Análise: usaremos vários métodos diferentes para desenvolver o modelo, incluindo regressão logística, redes neurais profundas e redes neurais convolucionais. Especificamente, também usaremos algoritmos estatísticos de aprendizado de máquina para detecção de eventos usando redes neurais bidirecionais de memória de longo e curto prazo em uma variedade de tipos de entrada (por exemplo, bancos de filtros de Fourier, coeficientes cepstrais de frequência Mel, wavelets e áudio bruto). Também usaremos métodos tradicionais como redes de Bayes dinâmicas e campos aleatórios condicionais. No lado da análise de texto, identificaremos frases-chave que predizem a readmissão. Uma abordagem será usar a análise do discurso para destacar as frases do "núcleo" do texto de fundo. Também construiremos modelos preditivos "conjuntos" que combinam recursos do texto não estruturado e recursos dos dados codificados estruturados. Usaremos a área padrão sob a curva ROC para avaliar o desempenho do modelo e usar a validação cruzada para minimizar o impacto do overfitting. Por fim, validaremos nossos modelos usando um conjunto de dados de diferentes centros para determinar se esses resultados são válidos e generalizáveis.

Resultados esperados: O desenvolvimento de dois modelos validados com base em dados EHR: um para identificar com precisão os pacientes com AECOPD e o segundo para identificar com precisão os pacientes com alto risco de readmissão em 30 dias.