Previsão de Readmissão Hospitalar para Pacientes Cirúrgicos Usando Modelos de Aprendizagem Profunda com Dados de Sensores de Smart Watch e Smart Ring

As readmissões hospitalares estão bem estabelecidas como indicadores-chave da qualidade dos cuidados de saúde, particularmente no contexto pós-operatório. As readmissões não planeadas refletem frequentemente complicações que não foram totalmente previstas ou adequadamente geridas, gerando um fardo financeiro e clínico substancial para os sistemas de saúde. Nos Estados Unidos, ocorreram 3,8 milhões de readmissões de adultos em 30 dias em 2018, com um custo médio de 15.200 dólares por evento. No Brasil, foram relatadas taxas de readmissão igualmente elevadas, com 13,4% de mais de 22.000 hospitalizações a resultarem em visitas de retorno, principalmente devido a infeção hospitalar, apneia obstrutiva do sono e arritmias cardíacas. As perturbações do sono — incluindo a apneia obstrutiva do sono — estão entre os fatores mais significativos de complicações pós-operatórias e readmissões. Elas atrasam a recuperação, aumentam a sensibilidade à dor, prejudicam a cognição e elevam o risco cardiovascular. Comorbilidades vasculares como hipertensão, diabetes e hiperlipidemia agravam ainda mais os resultados, aumentando a probabilidade de eventos isquémicos, cicatrização deficiente de feridas e instabilidade respiratória. Compreender como as variáveis fisiológicas, comportamentais e relacionadas com o sono interagem para influenciar a recuperação pós-operatória é essencial para conceber estratégias de deteção precoce e prevenção.

A inteligência artificial (IA) tem demonstrado uma promessa crescente na previsão da deterioração clínica e na identificação de doentes de alto risco em múltiplas áreas cirúrgicas. Uma revisão sistemática recente de 26 estudos demonstrou que os modelos baseados em IA — incluindo processamento de linguagem natural, algoritmos clássicos de aprendizagem automática e métodos de aprendizagem profunda — podem prever com precisão as readmissões hospitalares após cirurgias maiores. No entanto, a maioria dos conjuntos de dados disponíveis não combina sinais fisiológicos pré-operatórios, intraoperatórios, pós-operatórios e contínuos recolhidos em tempo real a partir de dispositivos vestíveis, representando uma lacuna importante na literatura. Este estudo de coorte prospetivo visa colmatar esta lacuna, integrando dados fisiológicos e comportamentais de alta resolução capturados a partir de dispositivos vestíveis — especificamente smartwatches e smart rings — numa base de dados perioperatória unificada, com o objetivo geral de desenvolver modelos de IA capazes de prever readmissões hospitalares não planeadas no prazo de 30 dias após a cirurgia.

O estudo pretende construir uma base de dados abrangente de doentes submetidos a cirurgias eletivas de média a grande escala, capturando dados fisiológicos e comportamentais de dispositivos vestíveis e monitores multiparamétricos durante os períodos pré e pós-operatório, incluindo monitorização contínua nas primeiras 48 horas de cuidados intensivos quando indicado. A recolha de dados incluirá monitorização contínua por dispositivos vestíveis através de uma interface baseada na web desenvolvida pelo CETELI/UFAM, avaliações clínicas pré e pós-operatórias, testes laboratoriais, estudos de imagem, avaliações da função pulmonar, polissonografia e questionários de sono validados. O estudo avaliará correlações entre variáveis fisiológicas e relacionadas com o sono derivadas de smartwatches e smart rings e o risco de readmissão hospitalar.

Além disso, o estudo desenvolverá aplicações para o uso de smartwatch e smart ring na captura de dados perioperatórios e empregará abordagens de aprendizagem automática — incluindo arquiteturas profundas como redes convolucionais causais e redes neuronais recorrentes, bem como métodos clássicos como máquinas de vetores de suporte e árvores de decisão — para prever readmissões hospitalares. Serão analisadas associações entre parâmetros de sono derivados de dispositivos vestíveis e o risco de readmissão em 30 dias, os dados de sono pré e pós-operatórios serão correlacionados com resultados de polissonografia e questionários, e a qualidade do sono será comparada entre os períodos pré-operatório e pós-operatório.

Esta investigação é conduzida através de uma colaboração multidisciplinar entre o Hospital Universitário Getúlio Vargas (HUGV-UFAM/Ebserh) e o Centro de Pesquisa e Desenvolvimento em Tecnologia Eletrónica e da Informação (CETELI/UFAM). O CETELI será responsável pelo desenvolvimento do software de recolha de dados, arquitetura de armazenamento e algoritmos preditivos, enquanto a supervisão clínica, recrutamento e execução do protocolo serão liderados pelo HUGV.

Para além da relevância científica, este projeto tem uma importância prática significativa. Em regiões geograficamente complexas como a Amazónia, a monitorização remota contínua utilizando dispositivos vestíveis pode melhorar o acompanhamento, reduzir as disparidades no acesso aos cuidados pós-operatórios e permitir a identificação mais precoce de complicações. Integrar modelos preditivos baseados em IA nos fluxos de trabalho hospitalares pode, em última análise, reduzir custos, otimizar o fluxo de doentes e melhorar a segurança e qualidade dos cuidados cirúrgicos.