Enfermagem de precisão e inteligência artificial: variáveis preditoras e modelos de decisão da internação de pacientes infectados pela COVID-19 em Unidade de Terapia Intensiva

Abstract

Objetivo: Aplicar algoritmos de inteligência artificial para identificação de variáveis preditoras relacionados à Enfermagem de Precisão: biomarcadores clínicos (sinais e sintomas, comorbidades), epigenética (contexto de vida) e fenótipo (hábitos de vida) para predição da admissão de pacientes infectados pela COVID-19 em Unidade de Terapia Intensiva e, a partir da identificação do melhor modelo, desenvolver um Web App para estimar o risco de internação de pacientes com COVID-19 em Unidade de terapia Intensiva. Método: O estudo pautou-se em quatro etapas, com diferentes métodos de pesquisa: 1ª etapa ou revisão integrativa da literatura, buscou conhecer a literatura científica acerca da Enfermagem de Precisão para definição do referencial teórico da pesquisa e resultou na inclusão de 13 publicações; 2ª etapa ou projeto piloto, estudo retrospectivo, realizado de março de 2020 a abril de 2021, por meio das notificações de COVID-19 do município de Florianópolis, a amostra foi composta por 190 pacientes e buscou a validação do método a ser realizado na próxima etapa do estudo, a partir da aplicação e comparação de 08 algoritmos de aprendizado de máquina para identificação das variáveis preditoras e predição da admissão de pacientes internados e contaminados pela COVID-19 em Unidade de Terapia Intensiva; 3ª etapa ou desenvolvimento do modelo preditivo, estudo retrospectivo, multicêntrico, realizado de abril a dezembro de 2021, com uma amostra de 547 pacientes provenientes de cinco hospitais universitários brasileiros para desenvolver um modelo de inteligência artificial, a partir de testes de 08 modelos de aprendizado de máquina, para identificar as variáveis preditoras e prever a admissão de pacientes infectados pela COVID-19 em Unidade de Terapia Intensiva. O desempenho dos modelos das etapas 2ª e 3ª foram avaliados por meio da validação cruzada dos dados e das métricas: Área Acima da Curva, sensibilidade e especificidade; 4ª etapa ou produção tecnológica foi o produto final do estudo que resultou no desenvolvimento de um Web App via Streamlit, desenvolvido no Python, para predição da internação de pacientes infectados pela COVID-19 em Unidade de Terapia Intensiva a partir do modelo que apresentou a melhor performance na etapa 3. A pesquisa obteve aprovação do Comitê de Ética em Pesquisa mediante CAAE 38912820.3.1001.0121 e parecer de aprovação número 4.347.463. Resultados: A etapa 1 demonstrou que os estudos sobre Enfermagem de Precisão centram-se na identificação de hábitos de vida, genótipo, fenótipo e de biomarcadores e suas relações com desfechos, implantação e testes de cuidados específicos de enfermagem, os quais consideram a condição daquele paciente para prevenção de complicações e voltam-se para a melhoria da qualidade de vida. Na etapa 2, o melhor modelo para predição da internação de pacientes infectados pela COVID-19 em Unidade de Terapia Intensiva foi a rede neural com uma Área Acima da Curva (0.917), sensibilidade (0.861) e especificidade (0.825), tendo como variáveis preditoras de maior influência sobre o modelo: internação hospitalar, raça e dor de garganta. Na etapa 3, a árvore de decisão foi o modelo que apresentou a melhor performance preditiva com uma Área Acima da Curva (0.668), sensibilidade (0.633) e especificidade (0.669), sendo as variáveis preditoras de maior influência sobre o modelo: idade, internação hospitalar na Universidade Federal do Amazonas e número de pessoas residentes no domicílio. Na etapa 4, o Web App estratifica os pacientes internados nas unidades clínicas com maior probabilidade de internação em Unidade de Terapia Intensiva, funcionando como uma ferramenta de apoio à tomada de decisão dos profissionais de saúde. Conclusão: A enfermagem atua diretamente na identificação dos biomarcadores clínicos por meio da coleta de dados no histórico de enfermagem, exames físicos e laboratoriais. A identificação dos mecanismos subjacentes que estão por trás das doenças e de situações de agravamento dos quadros fornecem informações que auxiliam na tomada de decisão do profissional enfermeiro para planejar e implementar intervenções de precisão. Portanto, ao finalizar este estudo conclui-se que é possível predizer a internação de pacientes infectados pela COVID-19 em Unidade de Terapia Intensiva com as variáveis disponíveis, a partir do referencial teórico baseado na Enfermagem de Precisão. No entanto, é necessário levar em consideração a dinamicidade do curso evolutivo da doença e da evolução das formas de combate, em que houve o surgimento de novas variantes, medicamentos passaram a ser indicados para a doença e vacinas foram desenvolvidas, bem como o auxílio tecnológico no combate à pandemia. As novas variantes tiveram como características sintomas diferenciados do começo da pandemia, assim as variáveis que capturamos como subproduto do cuidado rotineiro também mudam, o que pode influir na performance preditiva dos modelos. O presente trabalho resultou na submissão do artigo 2 em um periódico (A4); o mesmo trabalho foi premiado entre os cinco melhores trabalhos do Congresso Brasileiro de Informática em Saúde em 2021. O artigo 4, relacionado a descrição do Web App, foi aceito para publicação na Revista Brasileira de Enfermagem (A4) e foi registrado como programa de computador, denominado COVID-19 UTI PREDICTOR, no Departamento de Inovação da Universidade Federal de Santa Catarina e Instituto Nacional da Propriedade Intelectual (512023002623-9). As autoras também publicaram o editorial intitulado ?Enfermería de precisión: una aliada para potenciar la gestión del cuidado? na Revista Avances em Enfermería.

Abstract: Objective: To apply artificial intelligence algorithms to identify predictor variables related to Precision Nursing: clinical biomarkers (signs and symptoms, comorbidities), epigenetics (life context) and phenotype (lifestyle habits) to predict the admission of patients infected with COVID-19 to an Intensive Care Unit and, based on the identification of the best model, to develop a Web App to estimate the risk of hospitalisation of patients with COVID-19 in an Intensive Care Unit. Method: The study was based on four stages, using different research methods: Stage 1, or integrative literature review, sought to understand the scientific literature on Precision Nursing to define the theoretical framework of the research and resulted in the inclusion of 13 publications; 2nd stage or pilot project, retrospective study, carried out from March 2020 to April 2021, through COVID-19 notifications from the municipality of Florianópolis, the sample consisted of 190 patients and sought to validate the method to be carried out in the next stage of the study, based on the application and comparison of 08 machine learning algorithms to identify predictor variables and predict the admission of patients hospitalised and contaminated by COVID-19 in an Intensive Care Unit; 3rd stage or development of the predictive model, a retrospective, multicentre study, carried out from April to December 2021, with a sample of 547 patients from five Brazilian university hospitals to develop an artificial intelligence model, based on tests of 08 machine learning models, to identify predictor variables and predict the admission of patients infected with COVID-19 to the Intensive Care Unit. The performance of the models from stages 2 and 3 was assessed through cross-validation of the data and the metrics: Area Under the Curve, sensitivity and specificity; stage 4 or technological production was the final product of the study which resulted in the development of a Web App via Streamlit, developed in Python, to predict the hospitalisation of patients infected with COVID-19 in an Intensive Care Unit based on the model that showed the best performance in stage 3. The research was approved by the Research Ethics Committee under CAAE 38912820.3.1001.0121 and approval number 4.347.463. Results: Stage 1 showed that studies on Precision Nursing focus on the identification of lifestyle habits, genotype, phenotype and biomarkers and their relationship with outcomes, implementation and testing of specific nursing care, which considers the condition of that patient to prevent complications and focus on improving quality of life. In stage 2, the best model for predicting the hospitalisation of patients infected with COVID-19 in the Intensive Care Unit was the neural network with an Area Under the Curve (0.917), sensitivity (0.861) and specificity (0.825), with the most influential predictor variables on the model being hospitalisation, race and sore throat. In stage 3, the decision tree was the model that showed the best predictive performance with an Area Under the Curve (0.668), sensitivity (0.633) and specificity (0.669), with the most influential predictor variables on the model being: age, hospitalisation at the Federal University of Amazonas and number of people living in the household. In stage 4, the Web App stratifies patients admitted to clinical units with a higher probability of being admitted to the Intensive Care Unit, acting as a tool to support decision-making by healthcare professionals. Conclusion: Nursing is directly involved in identifying clinical biomarkers by collecting data in the nursing history, physical examinations and laboratory tests. Identifying the underlying mechanisms behind diseases and situations where conditions worsen provides information that helps nurses make decisions to plan and implement precise interventions. Therefore, at the end of this study, it is concluded that it is possible to predict the hospitalisation of patients infected with COVID-19 in an Intensive Care Unit with the available variables, based on the theoretical framework based on Precision Nursing. However, it is necessary to take into account the dynamic course of the disease and the evolution of ways to combat it, in which new variants have emerged, drugs have been indicated for the disease and vaccines have been developed, as well as technological aid in combating the pandemic. The new variants were characterised by different symptoms from the start of the pandemic, so the variables we capture as a by-product of routine care also change, which can influence the predictive performance of the models. This work resulted in the submission of article 2 in a journal (A4); the same work was awarded among the five best papers at the Brazilian Congress of Health Informatics in 2021. Article 4, related to the description of the Web App, was accepted for publication in the Brazilian Journal of Nursing (A4) and was registered as a computer programme, called COVID-19 UTI PREDICTOR, with the Innovation Department of the Federal University of Santa Catarina and the National Institute of Intellectual Property (512023002623-9). The authors also published an editorial entitled \"Precision nursing: an ally to enhance care management\" in the journal Avances en Enfermería.