Validação prospectiva do modelo de previsão da ocorrência de delirium pós-operatório com análise baseada em aprendizado de máquina de sinais biológicos intraoperatórios durante anestesia em cirurgia cardíaca

O delírio pós-operatório (DPO) não apenas aumenta o tempo de hospitalização e permanência na unidade de terapia intensiva e os custos médicos, mas também está intimamente associado a prognóstico negativo, incluindo mortalidade pós-operatória, aumento da morbidade, declínio cognitivo de longo prazo após a cirurgia e qualidade de vida prejudicada e independência. A avaliação do risco pré-operatório e a detecção precoce da DPO são muito importantes no manejo adequado da DPO. Isso ocorre porque o tratamento medicamentoso que pode prevenir ou tratar a DPO é limitado e, para sua prevenção e tratamento, é necessária uma abordagem multidisciplinar e gerenciamento de recursos que cubram quase todos os aspectos do tratamento do paciente. Portanto, se existe um modelo capaz de prever a ocorrência de DPO, ele pode ser de grande ajuda no manejo do delirium após cirurgia cardíaca por meio de avaliação de risco mais precisa e detecção precoce. Em estudos anteriores, o envelhecimento e o declínio cognitivo antes da cirurgia são conhecidos como os principais fatores de risco para DPO, mas a identificação de fatores de risco antes da cirurgia isoladamente é insuficiente para prever a ocorrência de DPO. A cirurgia cardíaca tem grande probabilidade de causar alterações fisiopatológicas que podem causar DPO, pois está associada à instabilidade hemodinâmica, uso cardiopulmonar, alterações na temperatura corporal e resposta inflamatória sistêmica. Essas alterações fisiopatológicas podem ser refletidas nos dados (biossinais) obtidos por meio de vários dispositivos de monitoramento durante a anestesia. A maioria dos eventos que ocorrem durante a anestesia são considerados fatores de risco corrigíveis de DPO, ao contrário dos fatores de risco pré-operatórios, e existe o potencial de reduzir a ocorrência de DPO corrigindo-os ativamente. Portanto, é necessário analisar o efeito desses biosinais intraoperatórios no DPO. No processo de desenvolvimento do modelo de previsão de delirium, em vez de simplesmente dividir os dados já coletados e usá-los no processo de validação do desempenho do modelo, é melhor realizar a validação do desempenho do modelo com base nos dados do paciente coletados prospectivamente para evitar o overfitting e obter um desempenho preditivo mais alto. Portanto, este estudo visa coletar dados prospectivos para avaliar o desempenho do modelo de predição de delirium após cirurgia cardíaca construído usando técnicas de aprendizado de máquina com base nos dados já coletados, incluindo biosinais durante a anestesia. Após revisão dos prontuários desde o dia da cirurgia até o período de permanência na UTI, se o escore do Intensive Care Delirium Screening Checklist (ICDSC) for 6 ou superior ou houver registro de consulta com delirium, é registrado como DPO. Depois de estruturar o banco de dados por meio de purificação, padronização, detecção de outliers e amostragem de dados de biossinais gerados durante a cirurgia, várias variáveis ​​obtidas de registros médicos são coletadas para construir um conjunto de dados de avaliação. Usando esse conjunto de dados, o desempenho do modelo de previsão de delirium construído pela aplicação do algoritmo de aprendizado de máquina é avaliado por meio da análise da curva característica de operação do receptor.