O uso de aprendizado de máquina para prever internações hospitalares por todas as causas em adultos é confiável para aplicação clínica?
Resposta curta: A revisão sistemática identificou que modelos de aprendizado de máquina frequentemente superam regressões tradicionais na predição de internações, mas a adesão à qualidade de relato é baixa e apenas cinco por cento dos modelos foram implementados na prática clínica. Preocupações metodológicas incluem falta de validação externa, calibração e interpretação individual.
Resposta
A revisão sistemática teve como objetivo investigar como o aprendizado de máquina (ML) tem sido utilizado para prever admissões e readmissões hospitalares somáticas por todas as causas em adultos. Foram pesquisadas oito bases de dados desde o início até outubro de 2023, incluindo PubMed, Embase, Web of Science, CINAHL, ProQuest, OpenGrey, WorldCat e MedNar. A extração de dados seguiu o checklist CHARMS, a avaliação de viés e aplicabilidade usou PROBAST, e a qualidade do relato foi avaliada pelo TRIPOD.
Dos 7.543 estudos triados, 163 textos completos foram lidos e 116 atenderam aos critérios de inclusão. Entre esses, 45 predisseram admissão, 70 predisseram readmissão e um estudo predisse ambos. Houve grande variedade nos tipos de conjuntos de dados, algoritmos, características, etapas de pré-processamento, avaliação e métodos de validação. As características mais utilizadas foram demográficas, diagnósticos, sinais vitais e exames laboratoriais. A área sob a curva ROC (AUC) foi a métrica de avaliação mais usada. Modelos treinados com algoritmos baseados em árvores de boosting frequentemente apresentaram melhor desempenho. Algoritmos de ML comumente superaram técnicas de regressão tradicionais. Dezesseis estudos usaram processamento de linguagem natural (NLP) de notas clínicas para predição, todos com bons resultados.
A adesão geral à qualidade do relato foi ruim. Apenas cinco por cento dos modelos foram implementados na prática clínica. Os aspectos metodológicos mais frequentemente abordados de forma inadequada foram: fornecer interpretações do modelo no nível do paciente individual, disponibilidade completa do código, realização de validação externa, calibração dos modelos e manejo do desequilíbrio de classes.
A conclusão da revisão é que há consideráveis preocupações em relação a questões metodológicas e qualidade do relato em estudos que investigam ML para prever internações. Para garantir a aceitabilidade desses modelos em ambientes clínicos, é crucial melhorar a qualidade dos estudos futuros.
O que o estudo mostrou
Revisão sistemática que pesquisou oito bases de dados até outubro de 2023, triando 7.543 estudos, dos quais 116 foram incluídos. Desses, 45 predisseram admissão, 70 readmissão e um ambos. Houve grande variedade de conjuntos de dados, algoritmos e métodos de avaliação. AUC foi a métrica mais usada; algoritmos de boosting frequentemente tiveram melhor desempenho e ML comumente superou regressão tradicional. Dezesseis estudos usaram NLP de notas clínicas com bons resultados. Apenas cinco por cento dos modelos foram implementados na prática.
Limitações
O resumo não informa detalhes sobre a população específica, os critérios exatos de inclusão ou a qualidade individual dos estudos incluídos. A revisão aponta que a adesão à qualidade do relato foi ruim e que aspectos metodológicos como validação externa, calibração e interpretação individual foram inadequados, limitando a confiança nos achados. O resumo não fornece estimativas agregadas de desempenho.
Aplicação no consultório
Médicos devem interpretar com cautela estudos que usam ML para prever internações, pois a maioria não foi implementada na prática e tem qualidade de relato limitada. Na gestão do consultório, ao considerar ferramentas preditivas, é importante verificar se o modelo foi validado externamente, calibrado e se há disponibilidade de código e interpretação individual. A revisão destaca a necessidade de melhorar a qualidade metodológica antes da aplicação clínica rotineira.
Estudo citado
Using machine learning methods to predict all-cause somatic hospitalizations in adults: A systematic review. PloS one, 2024.
Autores: Askar M, Tafavvoghi M, Småbrekke L, Bongo LA, Svendsen K.
DOI: 10.1371/journal.pone.0309175 · PubMed: PMID 39178283
Perguntas para aprofundar
- Quais algoritmos de aprendizado de máquina têm melhor desempenho na predição de readmissão hospitalar?
- Como o processamento de linguagem natural de notas clínicas pode auxiliar na predição de internações?
- Quais são as principais falhas metodológicas nos estudos de aprendizado de máquina para internações hospitalares?
Mais sobre Escriba ambiental e documentação clínica com IA
- Modelos de inteligência artificial baseados em prontuário eletrônico são eficazes para detecção precoce de sepse em pacientes hospitalizados?
- Como o processamento de linguagem natural pode ser usado para analisar dados não estruturados de desfechos relatados por pacientes oncológicos em prontuários eletrônicos?
- Como o processamento de linguagem natural tem sido aplicado à extração de entidades e relações em textos clínicos livres, e o que isso já chegou à prática clínica?
- Um modelo automatizado de fenotipagem por registros eletrônicos de saúde pode identificar com precisão pacientes com epilepsia?
- O aprendizado de máquina pode substituir os métodos clínicos convencionais no manejo da insuficiência cardíaca?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown