IA para previsão de no-show, agendamento e gestão de clínicas

Como a inteligência artificial tem sido usada para prever o tempo de internação hospitalar e qual a qualidade metodológica desses estudos?

Resposta

A previsão do tempo de internação hospitalar (LOS) é relevante para o planejamento de leitos e gestão de recursos. Esta revisão sistemática analisou 74 artigos publicados entre 1972 e setembro de 2019, indexados no PubMed, ScienceDirect e arXiv, seguindo as diretrizes PRISMA. O objetivo foi caracterizar os métodos de predição de LOS e os protocolos de avaliação de desempenho.

Os resultados mostram que a maioria dos estudos (98,6%) utilizou dados de pacientes para prever LOS, enquanto 27,0% usaram dados temporais e 21,6% incluíram informações sobre hospitais. As abordagens de regressão foram as mais comuns (64,9%), seguidas por machine learning (20,3%) e deep learning (17,6%). Quanto à validação, 35,1% não usaram conjunto de teste, 47,3% usaram um conjunto separado e 17,6% adotaram validação cruzada. As métricas de desempenho mais frequentes foram R² (47,3%), erro quadrático (ou absoluto) médio (24,4%) e acurácia (14,9%).

Observou-se uma tendência de aumento no uso de machine learning e deep learning ao longo da última década (P=0,016), assim como maior emprego de conjuntos de teste e validação cruzada (P=0,014). Isso indica que os métodos estão mais elaborados e a avaliação de validade mais rigorosa. No entanto, a heterogeneidade na forma de usar e relatar esses métodos ainda é um obstáculo para a transparência sobre o desempenho.

Para o médico brasileiro, esses achados reforçam a importância de conhecer as técnicas de predição de LOS e sua validação, pois elas podem auxiliar no planejamento da ocupação de leitos e na gestão de altas. A revisão não fornece detalhes sobre amostras específicas ou limitações dos estudos incluídos, mas destaca a necessidade de padronização nos relatos para facilitar a comparação e a aplicação clínica.

O que o estudo mostrou

Revisão sistemática de 74 artigos (1972 a setembro de 2019) sobre predição de tempo de internação. A maioria usou dados de pacientes (98,6%), regressões (64,9%), machine learning (20,3%) e deep learning (17,6%). Validação: 35,1% sem conjunto de teste, 47,3% com conjunto separado e 17,6% com validação cruzada. Métricas mais usadas: R² (47,3%), erro médio (24,4%) e acurácia (14,9%). Houve aumento de machine learning/deep learning (P=0,016) e de conjuntos de teste/validação cruzada (P=0,014) na última década.

Limitações

O resumo não informa limitações específicas dos estudos incluídos, como viés de seleção ou heterogeneidade das populações. Também não detalha a qualidade metodológica de cada artigo. A revisão se restringe a artigos em inglês e não aborda a aplicabilidade dos modelos em contextos distintos, como o brasileiro.

Aplicação no consultório

Os achados podem orientar médicos na escolha de ferramentas de predição de LOS para gestão de leitos e planejamento de alta, priorizando métodos com validação adequada. No consultório, é possível usar essas informações para discutir com equipes a importância de modelos transparentes e reprodutíveis, além de incentivar a padronização de relatos em estudos futuros.

Estudo citado

Hospital Length of Stay Prediction Methods: A Systematic Review. Medical care, 2021.
Autores: Lequertier V, Wang T, Fondrevelle J, Augusto V, Duclos A.
DOI: 10.1097/MLR.0000000000001596 · PubMed: PMID 34310455

Perguntas para aprofundar

• Quais são as métricas mais adequadas para avaliar modelos de predição de tempo de internação?
• Como a validação cruzada pode melhorar a confiabilidade de modelos preditivos de LOS?
• Quais desafios impedem a aplicação clínica dos modelos de predição de tempo de internação?

Mais sobre IA para previsão de no-show, agendamento e gestão de clínicas

• A inteligência artificial é eficaz para prever admissões hospitalares e otimizar o fluxo de pacientes em serviços de saúde?
• Modelos de aprendizado de máquina são úteis para prever faltas em consultas odontológicas e como aplicá-los na gestão da clínica?
• Unidades de monitoramento interdisciplinar de curto prazo em emergências melhoram o fluxo de pacientes e reduzem a superlotação?
• Quais fatores estão associados ao maior tempo de internação pós-parto em mulheres com pré-eclâmpsia?
• A inteligência artificial é útil na gestão da lesão renal aguda e quais são as lacunas da pesquisa atual?

Todas as perguntas sobre IA para previsão de no-show, agendamento e gestão de clínicas · Todos os temas · Versão em markdown