IA em emergência e UTI

Qual ferramenta de avaliação de risco é mais útil para prever a readmissão na UTI?

Resposta

A readmissão não planejada na UTI é um desfecho relevante e ferramentas confiáveis de avaliação de risco podem auxiliar na identificação precoce de pacientes críticos com maior probabilidade de readmissão. Esta revisão sistemática teve como objetivo avaliar as ferramentas existentes para esse fim.

Foram incluídos 29 estudos, dos quais 11 foram meta-analisados. Os resultados mostraram que o Stability and Workload Index for Transfer (SWIFT) apresentou sensibilidade de 0,55, especificidade de 0,65 e área sob a curva de 0,63. Já o early warning score (EWS) mostrou sensibilidade de 0,78, especificidade de 0,83 e área sob a curva de 0,88.

Outras ferramentas incluídas foram escores, nomogramas, modelos de aprendizado de máquina e modelos de aprendizado profundo. No entanto, esses estudos apresentaram alta heterogeneidade em relação aos limiares, seleção de casos, pré-processamento de dados e desempenho dos modelos, com alto risco de viés.

Os autores concluíram que não é possível identificar uma ferramenta que possa ser usada diretamente na avaliação de risco de readmissão na UTI. Escores baseados em early warning score têm acurácia moderada, mas a heterogeneidade e o viés de publicação exigem ajustes para fatores locais, como recursos, dados demográficos e mix de casos.

Modelos de aprendizado de máquina representam uma técnica promissora, mas apresentam alto viés metodológico e necessitam de validação adicional. Estudos futuros devem focar no desenvolvimento de uma ferramenta de avaliação de risco confiável para uso clínico.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu 29 estudos, dos quais 11 foram quantitativamente analisados. As ferramentas avaliadas incluíram SWIFT, early warning score, escores, nomogramas, modelos de aprendizado de máquina e aprendizado profundo. O SWIFT apresentou sensibilidade de 0,55, especificidade de 0,65 e área sob a curva de 0,63. O early warning score mostrou sensibilidade de 0,78, especificidade de 0,83 e área sob a curva de 0,88. Os estudos apresentaram alta heterogeneidade e alto risco de viés.

Limitações

O resumo não informa detalhes sobre as limitações dos estudos primários, mas destaca alta heterogeneidade entre eles, particularmente em relação aos limiares, seleção de casos, pré-processamento de dados e desempenho dos modelos. Também há risco de viés e viés de publicação. Os autores não identificaram uma ferramenta diretamente aplicável, e os modelos de aprendizado de máquina necessitam de validação adicional.

Aplicação no consultório

Para o médico que atua em UTI, os achados indicam que nenhuma ferramenta disponível pode ser aplicada de forma direta e confiável para prever readmissão. Escores baseados em early warning score podem auxiliar, mas exigem ajustes para o contexto local, considerando recursos, características demográficas e mix de casos. Na gestão do consultório ou da unidade, é prudente não adotar uma ferramenta única sem validação local e considerar o desenvolvimento de modelos ajustados à realidade institucional.

Estudo citado

The risk assessment tool for intensive care unit readmission: A systematic review and meta-analysis. Intensive & critical care nursing, 2023.
Autores: Long J, Wang M, Li W, Cheng J, Yuan M, Zhong M, Zhang Z, Zhang C.
DOI: 10.1016/j.iccn.2022.103378 · PubMed: PMID 36805167

Perguntas para aprofundar

• Como o early warning score pode ser utilizado na prática clínica para prever readmissão na UTI?
• Quais são os principais vieses metodológicos dos modelos de aprendizado de máquina para readmissão na UTI?
• Que fatores locais devem ser considerados ao adaptar ferramentas de risco de readmissão na UTI?

Mais sobre IA em emergência e UTI

• A inteligência artificial é eficaz na predição de readmissão hospitalar em pacientes atendidos na emergência?
• Modelos de aprendizado de máquina podem prever internação hospitalar já na triagem de emergências pediátricas?
• Sistemas de alerta precoce com IA para deterioração clínica melhoram desfechos em pacientes hospitalizados?
• Modelos de predição de risco para delirium subsindrômico em pacientes críticos são confiáveis para uso na prática clínica?
• Modelos de aprendizado de máquina são eficazes para prever síndrome do desconforto respiratório agudo em pacientes graves?

Todas as perguntas sobre IA em emergência e UTI · Todos os temas · Versão em markdown