ER2 e Aprendizado Profundo para Previsão de Resultados Adversos de Saúde

Uma visita ao Departamento de Emergência (DE) para um adulto mais velho é uma intervenção médica de alto risco. Eventos adversos (EA) conhecidos incluem delírio, internação prolongada em DE ou hospital, hospitalização, visitas recorrentes a DE e morte hospitalar. Isso acontece em uma proporção crescente em visitantes de ED com mais de 65 anos que são representados em visitas de ED.

As ferramentas de previsão de EAs no pronto-socorro são de suma importância para auxiliar na tomada de decisões sobre a triagem e disposição do paciente. Eles podem ajudar a identificar áreas de necessidades não atendidas para os idosos, a fim de desenvolver ações direcionadas. Vários sistemas de pontuação, incluindo "Programme de recherche sur l'intégration des services de maintien de l'autonomie" (PRISMA-7), Identificação de Idosos em Risco (ISAR), Escala de Fragilidade Clínica (CFS), Avaliação Geriátrica Breve (BGA) têm extensivamente estudado no ED e outras configurações para vários resultados. Essas ferramentas contam com um sistema de pontuação simples que uma equipe minimamente treinada pode administrar de forma confiável e rápida. É improvável que fazer o contrário seja aplicável à prática clínica diária.

Como a precisão da previsão não melhorou significativamente na última década, talvez sejam necessárias novas estratégias de análise. O hype atual em torno do aprendizado profundo vem de hardware melhor e mais barato e da disponibilidade de bibliotecas simples e de código aberto suportadas por grandes empresas e uma ampla comunidade de usuários. Portanto, a implementação de algoritmos de aprendizado profundo (DL) agora está aberta a uma ampla gama de configurações, incluindo cuidados médicos em uma prática clínica padrão. O DL demonstrou ser mais preciso do que o especialista médio certificado pelo conselho em tarefas muito específicas. A previsão de vários resultados clínicos produziu resultados menos dramáticos, talvez porque os modelos tradicionais (não DL) já superaram os médicos em muitos estados de doença. As abordagens de DL publicadas aplicadas à previsão de resultados no pronto-socorro têm se concentrado em adultos gravemente doentes em geral, condições específicas ou questões administrativas, como departamento de admissão ou superlotação do pronto-socorro. Nenhum tem como alvo uma faixa etária específica, como visitantes de ED mais velhos.

Uma ressalva importante para muitas abordagens de DL é a interpretação dos resultados. Para desenvolver intervenções com base em recursos direcionados associados a EAs em um determinado modelo, é preciso ser um tanto transparente. Se várias camadas de NNs melhorarem a previsão em comparação com a regressão linear, elas geralmente não fornecem informações clinicamente relevantes sobre como e quais variáveis ​​interagem para produzir esse resultado.