# Modelos prognósticos para prever readmissão não planejada na UTI: como os modelos de aprendizado de máquina se comparam aos sistemas de pontuação?

> Em revisão sistemática com meta-análise pelo modelo HSROC, modelos de aprendizado de máquina tiveram sensibilidade agrupada de 0,711 e especificidade de 0,899, superando os sistemas de pontuação (0,607 e 0,699). O aprendizado profundo mostrou maior sensibilidade (0,745) e menor especificidade (0,709). Todos os estudos tinham alto risco de viés, exigindo validação externa.

Estudo citado: Hu H, Li J, Ge H, Wu B, Feng T, Wu X et al.. Prognostic models for unplanned intensive care unit readmission risk prediction: A systematic review and meta-analysis based on HSROC model. Nursing in critical care. 2025. DOI: https://doi.org/10.1111/nicc.13306. PubMed: https://pubmed.ncbi.nlm.nih.gov/39995380/

## Resposta

A readmissão não planejada na UTI é um desfecho relevante para o planejamento da alta e dos cuidados de transição. Esta revisão sistemática com meta-análise buscou identificar modelos prognósticos para readmissão não planejada na UTI e comparar o desempenho de modelos de aprendizado de máquina com sistemas de pontuação.

Foram incluídos 67 artigos, descrevendo 335 modelos e 67 sistemas de pontuação. Os preditores comuns incluíram ventilação mecânica, idade, pressão arterial, sexo e frequência cardíaca. A meta-análise de 199 modelos mostrou sensibilidade agrupada de 0,607 para sistemas de pontuação e 0,711 para modelos de aprendizado de máquina, com especificidades de 0,699 e 0,899, respectivamente.

Modelos de aprendizado profundo apresentaram sensibilidade mais alta (0,745), porém especificidade mais baixa (0,709). Os autores destacam que os modelos de aprendizado de máquina superaram os sistemas de pontuação, mas não incorporaram notas clínicas; a inclusão de texto não estruturado poderia melhorar as predições.

Todos os estudos apresentaram alto risco de viés, o que limita a confiança nos desempenhos relatados. Além disso, os modelos necessitam de validação externa para assegurar confiabilidade entre diferentes instituições.

Na prática, modelos de predição de readmissão na UTI podem auxiliar enfermeiros de cuidados críticos a identificar pacientes de alto risco e priorizar necessidades de cuidado pós-UTI, apoiando intervenções lideradas por enfermeiros, a segurança do paciente e a alocação de recursos para cuidados de transição.

## O que o estudo mostrou

Revisão sistemática e meta-análise com busca em 11 bases de dados até 21 de agosto de 2024, incluindo estudos de coorte sobre modelos de predição de readmissão na UTI. De 2150 artigos, 67 foram incluídos, descrevendo 335 modelos e 67 sistemas de pontuação. A meta-análise de 199 modelos, pelo modelo HSROC no Stata 16.0, mostrou sensibilidade agrupada de 0,607 para sistemas de pontuação e 0,711 para aprendizado de máquina, com especificidades de 0,699 e 0,899. O resumo não informa o tamanho amostral total de pacientes.

## Limitações

Todos os estudos incluídos apresentaram alto risco de viés, conforme avaliação pela ferramenta Prediction Model Risk of Bias Assessment Tool. Os modelos de aprendizado de máquina não incorporaram notas clínicas, e os autores apontam a necessidade de validação externa para assegurar confiabilidade entre instituições. O resumo não informa detalhes sobre heterogeneidade, tamanho amostral de pacientes ou características das populações incluídas.

## Aplicação no consultório

Os achados apoiam a discussão sobre o uso de modelos de predição de readmissão na UTI para priorizar cuidados de transição e alocar recursos, com possível apoio a intervenções lideradas por enfermeiros. Como todos os estudos tinham alto risco de viés e faltam validações externas, a adoção na rotina deve ser cautelosa e acompanhada de avaliação local. O resumo não informa custos ou fluxos operacionais, o que limita decisões de gestão baseadas apenas nesses dados.

## Perguntas para aprofundar

- Quais preditores são mais frequentemente usados nos modelos de readmissão não planejada na UTI?
- A inclusão de notas clínicas não estruturadas pode melhorar o desempenho dos modelos de aprendizado de máquina?
- Como o alto risco de viés dos estudos incluídos afeta a confiança nos modelos de predição de readmissão na UTI?

Tema: Escriba ambiental e documentação clínica com IA. Página: https://alphadoctor.com.br/ciencia/ia-escriba-documentacao/modelos-prognosticos-para-prever-readmissao-nao-planejada-na-uti-como-os/

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