Machine learning melhora predição de deterioração clínica fora da UTI

Times de resposta rápida têm o objetivo de identificar e tratar pacientes internados com deterioração clínica nas enfermarias. Frequentemente, o acionamento do time é realizado a partir de alterações de sinais vitais, do nível de consciência ou mesmo de resultados de exames complementares.

Escores baseados em sinais vitais e estado de consciência são amplamente utilizados para esse intuito, como o Modified Early Warning Score (MEWS), o National Early Warning Score (NEWS) e outros semelhantes. A pontuação elevada — acima de 5 a 6 pontos no MEWS ou de 6 a 7 pontos no NEWS — em determinado momento da internação pode indicar necessidade de monitoramento ou tratamento imediato.

Escores tradicionais e o desafio dos falsos alertas

Esses escores são realizados por meio de somas e cálculos simples e foram criados para apresentar boa sensibilidade, ou seja, identificar pacientes com real deterioração clínica. No entanto, também é desejável que tenham especificidade, que pode ser entendida como a capacidade de sugerir ausência de deterioração quando a pontuação é baixa.

A combinação entre sensibilidade e especificidade compõe a acurácia, que é melhor quanto mais próxima da unidade 1. Valores abaixo de 0,70 são considerados ruins; de 0,70 a 0,75, bons; de 0,76 a 0,85, muito bons; e acima de 0,86, excelentes.

Ao mesmo tempo que esses escores são de fácil compreensão e aplicação por médicos, enfermeiros e fisioterapeutas, o acionamento do time de resposta rápida pelos limites, ou “triggers”, dos escores é comum e pouco específico. Em outras palavras, há muito barulho por quase nada.

Machine learning na predição de deterioração clínica

A aplicação de instrumentos de inteligência artificial pode utilizar técnicas como large language model (LLM) para reunir uma enorme base de dados e procurar a melhor associação entre dados e desfechos. O escore electronic Cardiac Arrest Risk Triage (eCART) foi lançado há alguns anos e pode ser customizado para bases de dados de diferentes hospitais.

Métodos do estudo com eCARTv5

O estudo descreve o desenvolvimento e a validação do eCARTv5, modelo de machine learning baseado em árvores de aumento de gradiente, ou gradient-boosted trees, projetado para identificar precocemente a deterioração clínica em pacientes internados em enfermarias.

As variáveis incluídas no eCART são sinais vitais, como temperatura, frequência cardíaca, frequência respiratória, pressão arterial, saturação de oxigênio, débito urinário, nível de consciência e desorientação. O modelo também inclui a análise de tendências desses sinais vitais.

Também foram incluídos valores laboratoriais, como eletrólitos, glicose, escórias nitrogenadas, hepatograma, hemograma, gasometria e coagulograma, associados à análise da tendência desses resultados. Escores relacionados à atividade de enfermagem, como Braden, além do índice de massa corporal, também fazem parte do modelo.

A alocação prévia do paciente em UTI, o tempo de permanência no hospital até o momento do evento e o dia da semana foram os últimos parâmetros incluídos no modelo eCART.

Desfecho avaliado e comparação com MEWS e NEWS

O eCARTv5 visa prever a necessidade de transferência para UTI ou óbito nas 24 horas seguintes à pontuação.

O modelo foi desenvolvido utilizando 901.491 admissões entre 2006 e 2022. A validação retrospectiva incluiu 1.769.461 admissões entre 2009 e 2023, e a validação prospectiva incluiu 205.946 admissões entre 2023 e 2024, em 21 hospitais.

O desempenho do eCARTv5 foi comparado com os escores MEWS, NEWS e com a versão anterior do eCART, a versão 2.

Resultados do eCARTv5

Na validação retrospectiva, o eCARTv5 obteve o maior AUROC, de 0,834, superando o eCARTv2, com 0,775; o NEWS, com 0,766; e o MEWS, com 0,704.

A alta performance, definida como AUROC maior ou igual a 0,80, manteve-se consistente em diversos subgrupos demográficos, condições clínicas e durante a validação prospectiva. A versão anterior do eCART e o escore NEWS tiveram desempenho semelhante, enquanto o MEWS apresentou o pior desempenho entre os modelos analisados.

Variáveis mais relevantes para deterioração clínica

As variáveis preditoras mais importantes foram frequência respiratória máxima, fração de oxigênio inspirado, pressão arterial sistólica mínima e frequência cardíaca.

Essas variáveis também são as mais importantes em artigos da literatura mais antiga sobre os escores MEWS e NEWS, o que demonstra que a observação da respiração e da hemodinâmica permanece extremamente relevante na ativação do time de resposta rápida.

Validação em outros hospitais e tempo de alerta

Quando foi realizada a validação retrospectiva em outro conjunto de hospitais, o desempenho dos escores caiu discretamente, para um patamar de 0,82 no eCARTv5, 0,76 no eCARTv2 e no NEWS, e 0,70 no MEWS.

Outro resultado relevante foi que, para um limiar de risco moderado, os escores apontaram alteração geralmente em torno de 13 a 17 horas antes da deterioração clínica. Já na presença de alto risco, com pontuações elevadas, os escores emitiram alerta de deterioração entre 2 e 5 horas antes do evento.

Da mesma maneira, a análise prospectiva teve desempenho inferior. Ainda assim, o eCARTv5 esteve entre os melhores modelos avaliados pelos autores, com performance considerada muito boa.

Um ponto relevante é que esse modelo foi trabalhado e desenvolvido em uma coorte diferenciada de hospitais. O uso de inteligência artificial sugere que pode haver melhoria no desempenho do modelo com treinamento evolutivo e feedback de resultados. Também é notável que o NEWS tenha apresentado desempenho muito bom, semelhante ao da versão anterior do eCARTv2.

Valor preditivo positivo e fadiga de alertas

De modo geral, o valor preditivo positivo dos modelos estudados para um limiar de risco moderado, como 93 pontos para eCART e 6 pontos para NEWS, foi em torno de 8% a 9%.

Quando se elevou o limiar para alto risco, ou seja, escores com maior pontuação, como 97 pontos para eCART ou 7 pontos para NEWS, o valor preditivo positivo aumentou significativamente, alcançando patamar de 14%.

Assim, mesmo com o desenvolvimento de escores voltados a melhorar a acurácia do acionamento, a maior parte dos alertas não será seguida por deterioração clínica verdadeira. Esse é um dos motivos pelos quais se busca maior acurácia, principalmente com melhora da sensibilidade desses escores para acionamento do time de resposta rápida e redução da fadiga associada a alertas falsos positivos.

O eCARTv5 apresentou equilíbrio superior entre sensibilidade e valor preditivo positivo, com alertas emitidos de forma significativamente mais precoce que os métodos comparadores.

Mensagens para o dia a dia

O eCARTv5 demonstrou desempenho superior às ferramentas tradicionais de pontuação em todas as análises retrospectivas, prospectivas e de subgrupos.

O uso de inteligência artificial e machine learning pode melhorar substancialmente a predição de escores clínicos para detecção de deterioração em pacientes hospitalizados fora da UTI.

André Japiassú

#Conteúdo otimizado com o auxílio de IA e revisado pela equipe do Portal Afya.