Previsão de resultados adversos usando aprendizado de máquina de pacientes com DPOC em Hong Kong

A doença pulmonar obstrutiva crônica (DPOC) é uma doença comum, evitável e tratável, caracterizada por sintomas respiratórios persistentes e limitação do fluxo aéreo devido a anormalidades das vias aéreas e/ou alveolares, geralmente causadas por exposição significativa a partículas ou gases nocivos e influenciada pelo hospedeiro. fatores, incluindo desenvolvimento pulmonar anormal. Estima-se que 3,2 milhões de pessoas morreram de DPOC em todo o mundo em 2015 e houve um aumento de 11,6% em comparação com 1990. A DPOC é a terceira principal causa de morte no mundo em 2019.

Em Hong Kong (HK), as taxas de prevalência de DPOC na população idosa com idade ≥60 anos foram de 25,9% e 12,4% com base na definição espirométrica de volume expiratório forçado em 1 s (FEV1)/relação capacidade vital forçada (CVF) <70 % e o limite inferior do normal do VEF1/FVC, respectivamente.4 De nosso estudo recente sobre internações hospitalares por DPOC, há um total de 67.628 internações por DPOC de janeiro de 2017, semana 1 a janeiro de 2020, semana 3 (antes da pandemia de COVID) e 11.065 admissões de janeiro de 2020, semana 4 a dezembro de 2020, semana 4 (durante a pandemia de COVID). ). 5 O ônus das hospitalizações por DPOC é significativo e é importante entender o que impulsiona essas internações para desenvolver estratégias adequadas para resolver o problema e melhorar os resultados de saúde dos pacientes com DPOC.

A reinternação precoce e as admissões frequentes decorrentes da DPOC são desfechos hospitalares comumente estudados devido ao alto ônus financeiro para o indivíduo e para o estado e ao alto uso de recursos públicos de saúde. Com o advento da Inteligência Artificial (IA) e do Aprendizado de Máquina (ML), tem havido um interesse considerável em sua aplicação na medicina. Metanálises recentes mostraram compatibilidade desses modelos na previsão dos resultados da DPOC.7 No entanto, poucos estudos conseguiram mostrar que AI/ML são superiores aos métodos de modelagem estatística tradicionais, AI/ML são interpretáveis ​​e podem ser clinicamente correlacionados, e AI/ML pode ter aplicação clínica direta.

Este estudo tem como objetivo desenvolver modelos preditivos para pacientes com diagnóstico de DPOC na alta de uma admissão índice nos seguintes desfechos:

Desfecho primário: Admissão precoce

Resultados secundários:

1. readmissão frequente
2. Resultado composto (reinternações precoces + frequentes)
3. Mortalidade
4. Longstayers

A viabilidade e a suposta superioridade dos modelos de Machine Learning (ML) como alternativas aos métodos tradicionais de aprendizagem estatística serão avaliadas. Além disso, os principais preditores de cada resultado de interesse seriam identificados para sugestões de possíveis intervenções que melhorariam os resultados (ou seja, reduzir as taxas de admissão precoce, admissão frequente e mortalidade). Pontuações clínicas para implantação em ambiente clínico também serão desenvolvidas.