Predição de Incidência de Lesão por Pressão em UTI através de Registros Eletrônicos e Aprendizado de Máquina

Abstract

Lesões por pressão, também chamadas por escaras, são ocorrências que podem prolongar em meses a estada de um paciente. Em estágios iniciais é possível evitar o agravamento da ferida, assim como suas adversidades, com tratamentos especializados e atenção preventiva. Porém, é inviável oferecer esse nível de cuidado para todo paciente internado devido ao alto custo financeiro e de mão de obra. Atualmente existem ferramentas utilizadas por profissionais de enfermagem para identificar pacientes em risco auxiliando o direcionamento de medidas preventivas. Embora essas ferramentas sejam usadas largamente por hospitais do mundo todo, a aplicação de modelos de aprendizado de máquina para predição de incidência de lesão por pressão é uma área nova e com poucos resultados na literatura. Este trabalho busca desenvolver uma nova abordagem ao problema na tentativa de aproximar a avaliação de modelos ao uso prático das ferramentas usadas atualmente. Dessa forma, pode ser feita uma comparação justa entre os modelos desenvolvidos e as técnicas utilizadas na prática. Foram testados 6 modelos em três bases de dados diferentes, duas de momentos diferentes de um hospital de Boston e a terceira de um hospital brasileiro. Os resultados apontam que os modelos de aprendizado de máquina podem superar significativamente as técnicas atuais em todos os três conjuntos de dados. Além disso, devido à natureza dos dados esse modelo pode ser integrado em sistemas de monitoramento e utilizado de maneira automática, diminuindo inclusive a mão de obra associada à identificação de risco.

Pressure ulcers are occurrences that may postpone up to months an hospital stay. They are easily preventable by means of specialized treatment. Nonetheless, due to high monetary and labor cost, it is impractible to offer this level of care to every patient. Currently, there exists tools used by professional care workers to assess at-risk patients directing their labor towards those. Though these tools are largely used by hospitals around the world, the usage of machine learning models for predicting pressure ulcer incidence is a fairly new area with few results published. This work seeks to develop a new approach to this problem by trying to approximate the evaluation and training of models to the practical usage of tools currently in use. This way, a fair comparison can be made between the models developed and the techniques used in practice. Six different models were evaluated in three separate datasets, two from a hospital located in Boston and the third one from a brazilian hospital. The results show that machine learning models can perform significantly better than what’s used in practice. Furthermore, due to the nature of the data, this model can be integrated in critical care monitoring systems enabling patients to be automatically assessed reducing labor associated with manual assessment.