Análise preditiva com aprendizado de máquina da recuperação da mobilidade funcional dos pacientes hospitalizados atendidos pelo serviço de fisioterapia

Abstract

A perda de mobilidade acarreta prejuízos pessoais, psicológicos, sociais, financeiros e é um fenômeno comum naqueles pacientes restritos ao leito. A diminuição da atividade física e o repouso no ambiente hospitalar contribui para piora da recuperação do paciente, associado ao aumento dos riscos à saúde, como o declínio na capacidade de realizar atividades da vida diária, institucionalização e morte. No contexto de baixa mobilidade funcional, o serviço de fisioterapia atua na avaliação e conduta, com o objetivo de prevenir, manter ou melhorar a mobilidade física, atuando em diversas desordens corporais. Uma ferramenta que pode ser utilizada para medição e auxilio na recuperação da funcionalidade dos doentes é a inteligência artificial, especificamente, o Aprendizado de Máquina, onde algoritmos fazem previsões para interpretar dados e aprender sem instruções programadas. Nesse cenário, a pesquisa tem por objetivo desenvolver uma modelagem de Aprendizado de Máquina para predição da mobilidade funcional dos pacientes internados em enfermarias, que receberam atendimento fisioterapêutico. Esse estudo é considerado metodológico e de desenvolvimento tecnológico. A pesquisa foi desenvolvida, a partir dos dados coletados em um Hospital Universitário, com os dados dos pacientes internados em unidade de clínica médica e cirúrgica que foram avaliados e atendidos pelo serviço de fisioterapia, durante o ano de 2020, sendo excluídos óbitos e menores de idade. Para o desenvolvimento do modelo foram utilizados 22 atributos com 1.386 registros do conjunto de dados, sendo definidos os previsores e a classe com o desfecho de independência ou dependência física. Foi utilizada a linguagem de programação Python e suas bibliotecas Panda, Numpy, Matplotlib, Sklearn e Keras. O classificador da rede neural artificial foi desenvolvido, com 21 entradas, três camadas ocultas com 11 neurônios em cada e uma saída. Quanto aos resultados, a validação cruzada apontou a acurácia de 93.21%, com o desvio padrão de 0,030, enquanto a matriz de confusão obteve 92,44% de acurácia. Além disso, a área abaixo da curva (AUC) da curva ROC atingiu 0,934, que mediu a capacidade do modelo de prever uma pontuação maior de exemplos positivos em comparação com os exemplos negativos. Portanto, a partir das métricas de avaliação pode-se afirmar que o modelo apresenta um bom desempenho e uma boa capacidade de generalização.

Abstract: Loss of mobility entails personal, psychological, social, financial losses and is a common phenomenon in patients confined to bed. The decrease in physical activity and rest in the hospital environment contributes to worsening the patient's recovery, associated with increased health risks, such as the decline in the ability to perform activities of daily living, institutionalization and death. In the context of low functional mobility, the physiotherapy service acts in the assessment and conduct, with the objective of preventing, maintaining or improving physical mobility, acting on various bodily disorders. A tool that can be used to measure and assist in recovering patient functionality is artificial intelligence, specifically Machine Learning, where algorithms make predictions to interpret data and learn without programmed instructions. In this scenario, the research aims to develop a Machine Learning model to predict the functional mobility of patients admitted to wards, who received physical therapy care. This study is considered methodological and technological development. The research was developed from data collected at a University Hospital, with data from patients admitted to a medical and surgical clinic unit who were evaluated and treated by the physiotherapy service during the year 2020, excluding deaths and minors. For the development of the model, 22 attributes with 1,386 records of the dataset were used, being defined the predictors and the class with the outcome of independence or physical dependence. The Python programming language and its Pandas, Numpy, Matplotlib, Sklearn and Keras libraries were used. The artificial neural network classifier was developed, with 21 inputs, three hidden layers with 11 neurons each and one output. As for the results, the cross validation showed the accuracy of 93.21%, with a standard deviation of 0.030, while the confusion matrix had 92.44% accuracy. In addition, the area under the curve (AUC) of the ROC curve reached 0.934, which measured the model's ability to predict a higher score for positive examples compared to negative examples. Therefore, from the evaluation metrics it can be stated that the model has a good performance and a good generalizability.