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

> Sim, modelos de aprendizado de máquina mostram potencial para prever readmissão em 30 dias por insuficiência cardíaca, com áreas sob a curva ROC entre 0,51 e 0,93. Os algoritmos mais usados foram random forest e extreme gradient boosting. Preditores significativos incluíram variáveis sociodemográficas, sinais vitais, histórico médico, terapia, achados ecocardiográficos, medicamentos, laboratório, comorbidades e índice hospitalar.

Estudo citado: Yu MY, Son YJ. Machine learning-based 30-day readmission prediction models for patients with heart failure: a systematic review. European journal of cardiovascular nursing. 2024. DOI: https://doi.org/10.1093/eurjcn/zvae031. PubMed: https://pubmed.ncbi.nlm.nih.gov/38421187/

## 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.

## 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?

Tema: IA em cardiologia (ECG e ecocardiograma). Página: https://alphadoctor.com.br/ciencia/ia-cardiologia/modelos-de-aprendizado-de-maquina-podem-prever-readmissao-hospitalar-em-30-dias/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.