Um diagnóstico rápido de risco em pacientes hospitalizados usando aprendizado de máquina

O objetivo desta proposta é implantar rapidamente uma ferramenta de apoio à decisão clínica (eCARTv5) dentro do prontuário eletrônico de múltiplas unidades médico-cirúrgicas. O eCART combina um algoritmo de aprendizado de máquina em tempo real para identificar pacientes com risco aumentado de transferência e morte para terapia intensiva (UTI) com caminhos clínicos para padronizar o atendimento desses pacientes com base em uma avaliação quantitativa em tempo real do risco do paciente.

Os investigadores levantam a hipótese de que a implementação dessa ferramenta estará associada a uma diminuição na utilização do ventilador, tempo de internação e mortalidade para adultos hospitalizados de alto risco.

Fundo:

A deterioração clínica ocorre em aproximadamente 5% dos adultos hospitalizados. Atrasos no reconhecimento da deterioração aumentam o risco de resultados adversos. Os algoritmos de aprendizado de máquina aprimoram a tomada de decisões clínicas e podem melhorar a qualidade do atendimento ao paciente. No entanto, seu impacto nos resultados clínicos depende não apenas da sensibilidade e especificidade do algoritmo, mas também de quão bem esse algoritmo é integrado aos fluxos de trabalho do provedor e facilita a intervenção oportuna e apropriada.

Dados preliminares:

O eCART foi construído com base em mais de uma década de pesquisa científica em andamento e relatado em várias publicações revisadas por pares. O eCART foi desenvolvido na Universidade de Chicago pelos Drs. Dana Edelson e Matthew Churpek. A primeira versão (eCARTv1) foi derivada e validada usando regressão logística linear em um conjunto de dados de quase 60.000 pacientes adultos de um único centro médico. Esse modelo continha 16 variáveis ​​e foi subsequentemente validado no modo silencioso, demonstrando que o eCART poderia alertar os médicos mais de 24 horas antes da transferência para a UTI ou parada cardíaca. O eCARTv2, derivado e validado em um conjunto de dados de quase 270.000 pacientes de 5 hospitais, foi aprimorado em relação à versão anterior, utilizando um modelo de regressão logística spline cúbica com 27 variáveis ​​e demonstrou maior precisão em relação ao Modified Early Warning Score (MEWS), uma pontuação comumente usada que pode ser calculado manualmente por enfermeiros à beira do leito (AUC 0,77 vs. 0,70 para parada cardíaca, transferência para UTI ou óbito). Em um estudo de implementação clínica multicêntrico, o eCARTv2 foi associado a uma redução relativa do risco de mortalidade de 29%. No desenvolvimento adicional do eCART, a equipe de pesquisa da Universidade de Chicago demonstrou que a atualização de um modelo de spline cúbico para um modelo de aprendizado de máquina, como uma floresta aleatória ou uma máquina de aumento de gradiente (GBM), poderia aumentar a AUC. No desenvolvimento mais recente - eCART v5 - a equipe de pesquisa avançou a análise usando um modelo de aprendizado de máquina impulsionado por gradiente treinado em um conjunto de dados multicêntrico de mais de 800.000 registros de pacientes. Agora com 97 variáveis, esse modelo mais sofisticado aumenta a precisão com que os médicos podem prever a deterioração clínica.