Previsão por Aprendizagem Automática da Dor Pós-Operatória em Cirurgia Ambulatória Pediátrica

A dor pós-operatória na primeira infância continua a ser um desafio clínico significativo, particularmente na prática cirúrgica ambulatória. As crianças entre um e três anos de idade representam uma população vulnerável, uma vez que a sua capacidade limitada de comunicação torna a avaliação e gestão da dor mais complexas. A dor não reconhecida ou subtratada nesta fase de desenvolvimento pode prolongar a recuperação e as durações de internamento hospitalar.

As avaliações de risco perioperatório convencionais são limitadas pela sua dependência de um número reduzido de preditores clínicos e de julgamento subjetivo. Os recentes avanços na ciência computacional e na aprendizagem automática proporcionaram novas oportunidades para melhorar a modelação preditiva na medicina perioperatória. Ao integrar dados demográficos, psicossociais, cirúrgicos, anestésicos e fisiológicos, os algoritmos de aprendizagem automática podem detetar relações complexas e não lineares que ultrapassam a capacidade preditiva dos métodos estatísticos tradicionais.

Neste estudo, os dados serão recolhidos prospetivamente de crianças submetidas a procedimentos cirúrgicos ambulatórios. As variáveis pré-operatórias incluirão características demográficas e o estado psicológico dos pais (STAI). As variáveis intraoperatórias consistirão no tipo de cirurgia, duração e gestão anestésica. Os resultados pós-operatórios centrar-se-ão na avaliação da dor (escore FLACC) e na monitorização fisiológica (saturação e pressão de pulso). Todos os dados serão anonimizados e registados numa base de dados eletrónica segura.

Para o processamento de dados, será aplicado um controlo de qualidade rigoroso para minimizar entradas em falta ou inconsistentes. O conjunto de dados será dividido aleatoriamente em subconjuntos de treino e de teste. Serão então implementados múltiplos algoritmos de aprendizagem automática supervisionada para construir modelos preditivos, com o desempenho avaliado através de métricas de classificação padrão, como precisão, sensibilidade, especificidade e área sob a curva de características de operação do recetor (ROC-AUC). Técnicas de validação cruzada serão empregues para garantir a generalização do modelo e mitigar o sobreajuste.

O objetivo final desta investigação é estabelecer um modelo preditivo fiável, baseado em dados, para a dor pós-operatória em crianças pequenas, que poderá ser incorporado em estruturas de apoio à decisão clínica. Tal modelo poderia facilitar o planeamento perioperatório individualizado, otimizar as estratégias analgésicas, reduzir a incidência de resultados adversos inesperados e, em última análise, melhorar tanto a segurança do doente como a satisfação parental.