Predição de necessidade de UTI hospitalar para pacientes internados utilizando métodos de aprendizado de máquina

Abstract

O setor da saúde vem testando a contribuição da Inteligência Artificial numa perspectiva de renovação dos processos de gestão hospitalar. Este estudo investigou a possibilidade de algoritmos de Aprendizado de Máquina auxiliarem na predição da admissão de pacientes em Unidade de Terapia Intensiva (UTI), através da análise de suas primeiras 24, 48 e 72 horas de internação. A base de dados utilizada foi de obtida um hospital real, contendo dados estruturados e não estruturados no período entre 01/06/2020 a 31/07/2021, durante pandemia da COVID-19. Os dados correspondem a internações, evoluções, prescrições de antimicrobianos, cirurgias, sinais vitais e exames dos pacientes internados. Os algo ritmos utilizados no trabalho foram o Random Forest e o Gradient Boost. Os modelos que apresentaram as melhores métricas para cada período de internação foram o Gradient Boost com dados das primeiras 24 horas com métricas de AUROC de 92.7%, Precisão de 61%, Sensibilidade de 81.6%, Especificidade de 86.1%, Acurácia de 85.1% e F1-Score de 69.9%; o Gradient Boost com dados de 48 horas com métricas de AUROC de 91.3%, Precisão de 71.2%, Sensibilidade de 78.1%, Especificidade de 90.5%, Acurácia de 87.6% e F1-Score de 74.4%; e o Random Forest com dados das primeiras 72 horas com mé tricas de AUROC de 92.2%, Precisão de 70.1%, Sensibilidade de 81.4%, Especificidade de 88.7%, Acurácia de 86.9% e F1-Score de 75.4%; O estudo mostrou-se viável como instrumento preditivo para admissão em UTI hospitalar, à semelhança de outros estudos referidos no trabalho.

The health sector has been testing the contribution of Artificial Intelligence from the per spective of hospital management’s process renovation. This study investigated the possi bility of using Machine Learning Algorithms on helping patients admitted to the Intensive Care Unit (ICU), by analyzing their first 24, 48 and 72 hospitalization hours. The database used on this project was from a real hospital, having structured and unstructured data in the interval of 06/01/2020 to 07/31/2021, during the COVID-19 pandemic. The data was composed of patients’ admissions, evolutions, antimicrobial prescriptions, surgeries, vital signs and exams. The used algorithms were the Random Forest and the Gradient Boost. The models which had the best performance metrics for each time interval were the Gradient Boost on the first 24 hours of data with 91.3% AUROC, 61% Precision, 81.6% Sensibility, 86.1% Specificity, 85.1% Accuracy and 69.9% F1-Score; the Gradient Boost on the first 48 hours of data with 91.3% AUROC, 71.2% Precision, 78.1% Sensi bility, 90.5% Specificity, 87.6% Accuracy and 74.4% F1-Score; and the Random Forest on the first 72 hours of data with 92.2% AUROC, 70.1% Precision, 81.4% Sensibility, 88.7% Specificity, 86.9% Accuracy and 75.4% F1-Score. The study showed the viability of being used as a predictive instrument for ICU admission, similarly to other mentioned studies.