IA em cardiologia (ECG e ecocardiograma)

Modelos de aprendizado de máquina podem prever readmissão hospitalar em 30 dias por insuficiência cardíaca?

Resposta

A revisão sistemática avaliou a qualidade e os fatores significativos de modelos de aprendizado de máquina para prever readmissão hospitalar em 30 dias em pacientes com insuficiência cardíaca. Foram incluídos estudos com amostras variando de 1778 a 272 778 pacientes e idade média entre 70 e 81 anos. As abordagens mais comuns foram random forest e extreme gradient boosting.

As taxas de readmissão em 30 dias variaram de 1,2 a 39,4%, e a área sob a curva ROC dos modelos ficou entre 0,51 e 0,93, indicando desempenho discriminatório variável. Os preditores significativos totalizaram 60 variáveis, agrupadas em 9 categorias: sociodemográficas, sinais vitais, histórico médico, terapia, achados ecocardiográficos, medicamentos prescritos, resultados laboratoriais, comorbidades e índice de desempenho hospitalar.

Os autores concluem que estudos futuros devem avaliar a qualidade preditiva desses fatores em diferentes sistemas de saúde e tipos de insuficiência cardíaca. Também recomendam estudos de coorte prospectivos que combinem dados estruturados e não estruturados para melhorar a qualidade dos modelos, auxiliando enfermeiros e outros profissionais na avaliação precoce e no planejamento de cuidados individualizados após a alta.

Para o médico, os achados sugerem que modelos de aprendizado de máquina podem integrar a estratificação de risco de readmissão, mas a heterogeneidade de desempenho e a falta de validação externa ampla limitam a aplicação imediata. A revisão destaca a importância de considerar múltiplas categorias de preditores, incluindo fatores modificáveis como terapia e medicamentos prescritos.

O que o estudo mostrou

Revisão sistemática de estudos publicados entre 2013 e 2023, com amostras de 1778 a 272 778 pacientes e idade média de 70 a 81 anos. As abordagens de aprendizado de máquina mais usadas foram random forest e extreme gradient boosting. As taxas de readmissão em 30 dias variaram de 1,2 a 39,4%, e a área sob a curva ROC foi de 0,51 a 0,93. Foram identificados 60 preditores significativos em 9 categorias, incluindo fatores sociodemográficos, clínicos, terapêuticos e hospitalares.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses. A heterogeneidade das populações e dos sistemas de saúde pode limitar a generalização dos achados. Não há informação sobre validação externa dos modelos ou sobre a aplicabilidade em diferentes tipos de insuficiência cardíaca. O resumo também não descreve os critérios de qualidade utilizados na avaliação.

Aplicação no consultório

Os modelos de aprendizado de máquina podem auxiliar na identificação precoce de pacientes com insuficiência cardíaca com alto risco de readmissão em 30 dias, permitindo intervenções direcionadas e planejamento de cuidados pós-alta. No consultório, o médico pode considerar a inclusão de variáveis como comorbidades, medicamentos prescritos e achados ecocardiográficos na avaliação de risco. No entanto, a implementação requer validação local e integração com sistemas de informação, além de treinamento da equipe para interpretar as previsões.

Estudo citado

Machine learning-based 30-day readmission prediction models for patients with heart failure: a systematic review. European journal of cardiovascular nursing, 2024.
Autores: Yu MY, Son YJ.
DOI: 10.1093/eurjcn/zvae031 · PubMed: PMID 38421187

Perguntas para aprofundar

• Quais variáveis são mais importantes para prever readmissão por insuficiência cardíaca em 30 dias?
• Como modelos de aprendizado de máquina podem ser validados para uso na prática clínica no Brasil?
• Qual o impacto da predição de readmissão na gestão de leitos e no acompanhamento pós-alta?

Mais sobre IA em cardiologia (ECG e ecocardiograma)

• Modelos de aprendizado de máquina usando dados hospitalares de rotina podem prever risco de AVC com melhor acurácia que escores tradicionais?
• A inteligência artificial aplicada ao ecocardiograma já pode ser usada na prática clínica para avaliar disfunção diastólica?
• Gêmeos digitais em cardiologia de precisão: quais tecnologias, aplicações clínicas e barreiras de implementação a revisão sistemática identificou?
• Modelos de aprendizado de máquina aplicados ao ECG têm acurácia diagnóstica suficiente para identificar cardiomiopatia hipertrófica na prática clínica?
• A inteligência artificial e o aprendizado de máquina são aplicáveis no diagnóstico e manejo dos distúrbios obstrutivos das vias aéreas superiores em pediatria?

Todas as perguntas sobre IA em cardiologia (ECG e ecocardiograma) · Todos os temas · Versão em markdown