Desenvolvimento e validação de um modelo preditivo para delirium utilizando aprendizado de máquina em coorte de pacientes de alto risco submetidos a cirurgia não cardíaca no Hospital de Clínicas de Porto Alegre
View/ Open
Date
2021Author
Advisor
Co-advisor
Academic level
Master
Type
Subject
Abstract in Portuguese (Brasil)
Base Teórica: Delirium Pós-Operatório (DPO) está associado com aumento de complicações, custos e tempo de internação. Além disso, os efeitos a longo prazo desta comorbidade são aumento do risco de morte, demência e redução da recuperação funcional. A prevenção de DPO recebe pouca prioridade em países com desenvolvimento econômico baixo e médio, onde o cuidado perioperatório seguro e efetivo ainda é um desafio. Medidas multicomponentes não farmacológicas podem reduzir a incidência de DPO em até ...
Base Teórica: Delirium Pós-Operatório (DPO) está associado com aumento de complicações, custos e tempo de internação. Além disso, os efeitos a longo prazo desta comorbidade são aumento do risco de morte, demência e redução da recuperação funcional. A prevenção de DPO recebe pouca prioridade em países com desenvolvimento econômico baixo e médio, onde o cuidado perioperatório seguro e efetivo ainda é um desafio. Medidas multicomponentes não farmacológicas podem reduzir a incidência de DPO em até 40% dos casos. Uma vez que DPO é multifatorial, o uso de Aprendizado de Máquina (AM) é adequado para identificar fatores pré-operatórios e pós-operatórios que podem contribuir para sua ocorrência. A avaliação perioperatória com uma ferramenta objetiva baseada em variáveis predisponentes e precipitantes oferece uma oportunidade de evitar-se esta complicação em pacientes de alto risco submetidos a cirurgias em países de desenvolvimento econômico baixo e médio. Objetivos: Primário: desenvolver e validar um modelo de aprendizado de máquina para predição de Delirium Pós-Operatório em coorte pacientes de alto risco submetidos a cirurgia não cardíaca no Hospital de Clínicas de Porto Alegre. Secundários: descrever a incidência de delirium pós-operatório em coorte de pacientes de alto risco submetidos a cirurgia não cardíaca; avaliar os fatores associados à ocorrência de delirium pós-operatório em coorte de pacientes de alto risco submetidos cirurgia não cardíaca. Métodos: Um modelo de ML foi desenvolvido em uma coorte de 1453 pacientes de alto risco submetidos a cirurgia não cardíaca entre setembro de 2017 e fevereiro de 2020 em um centro quaternário único, Hospital Universitário no sul do Brasil. Pacientes com risco superior a 5% de morte em 30 dias, calculados através do Modelo Ex-Care foram incluídos na análise. Delirium Pós-Operatório (DPO) foi definido como uma avaliação positiva da escala Confusion Assessment Method (CAM) em sua versão em língua portuguesa, até sete dias após a cirurgia. Foi desenvolvido um modelo ensemble através de nested-cross-validation para predição de DPO. As variáveis foram selecionadas dos períodos pré-operatórios e pós-operatórios através de Partial Dependence Plots e plausibilidade teórica. Foi utilizado undersampling para tratamento do desbalanceamento de classes. Foram comparados diferentes modelos com diferentes seleções de variáveis através da Área sob a Curva ROC (AUC). Resultados: A incidência de DPO na amostra foi de 8,05% (117 pacientes). O grupo DPO foi pareado com o grupo controle sem DPO (1336 pacientes) e caracterizou-se por ser mais velho, estar internado por mais tempo e apresentar mais complicações no pós-operatório. Os desempenhos dos modelos ensemble variaram de uma média de AUC de 0,63 (IC95% 0,56-0,68) quando todas as variáveis pré-operatórias foram incluídas, até 0,74 (IC95% 0,7-0,76) quando apenas três variáveis, consideradas essenciais foram incluídas: idade, tempo de internação total e número de complicações pós-operatórias. Conclusão: O desempenho preditivo do modelo de ML para DPO composto de apenas algumas variáveis preditivas e precipitantes foi mais preciso do que os modelos que incluíram diversas variáveis pré-operatórias. Nós utilizamos uma abordagem de ML robusta para reduzir o viés e acrescentar precisão à predição do modelo. A seleção de variáveis impactou substancialmente a precisão do modelo. Nosso modelo preditivo pode ajudar a identificar e rotular pacientes cirúrgicos de alto risco com alta probabilidade de desenvolverem DPO. Além disso, o modelo pode servir de padrão em países de baixo e médio desenvolvimento, nos quais programas de melhoria de qualidade pós-operatórios ainda são uma necessidade. ...
Abstract
Background: Postoperative Delirium (POD) is associated with increased complications, costs, and length of hospital stay. Also, long-term effects of POD are increased risk of death, dementia, and functional disability. Its prevention lacks prioritization in low- and middle-income countries (LMIC), where safe and effective perioperative care is still challenging. Non-pharmacological multicomponent measures may reduce its incidence by 40%. Because POD is multifactorial, Machine Learning (ML) is su ...
Background: Postoperative Delirium (POD) is associated with increased complications, costs, and length of hospital stay. Also, long-term effects of POD are increased risk of death, dementia, and functional disability. Its prevention lacks prioritization in low- and middle-income countries (LMIC), where safe and effective perioperative care is still challenging. Non-pharmacological multicomponent measures may reduce its incidence by 40%. Because POD is multifactorial, Machine Learning (ML) is suitable to identify preoperative and postoperative factors that may contribute to its occurrence. Perioperative assessment with an objective tool based on predictive and precipitating features offers an opportunity to prevent this complication in high-risk patients undergoing surgery in LMIC. Objectives: The primary aim is to develop and validate a ML model for POD prediction in a cohort of high-risk non-cardiac surgery patients. Secondary objectives are to describe POD incidence in high-risk patients undergoing non-cardiac surgery and to assess factors associated with POD in this cohort. Methods: A ML model was developed in a cohort of 1453 high-risk surgical patients undergoing non-cardiac surgery between September 2017 and February 2020 in a single-center quaternary University Hospital in the South of Brazil. Patients with more than 5% 30-day mortality risk, calculated using the ExCare Risk Model, were included in the analysis. POD was defined as a positive Confusion Assessment Method (CAM) test up to seven days after surgery. We developed a nested cross-validated ensemble model to predict POD. We selected features from the preoperative and postoperative periods through Partial Dependence Plot analysis and theoretical plausibility. Undersampling was used to treat class imbalance. We compared different feature selections through the Area Under the Receiver Operating Characteristic Curve (AUC) score. Results: The incidence of POD was 8.05% (117 patients). The POD group was paired with a control group of patients that did not develop POD (1336 patients). The POD group was older, had a longer hospital stay and had more complications. The performances of the ensemble models ranged from a mean AUC score of 0.63 (CI 95% 0.56 - 0.68) when all preoperative features were included to 0.74 (CI 95% 0.7- 0.76) when only three essential features were included: age, length of hospital stay, and the number of postoperative complications. Conclusion: The predictive performance of the ML model for POD composed of few predicting and precipitating features was more precise than models that included several preoperative clinical variables. We used a robust ML approach to reduce bias and add precision to the prediction. Feature selection substantially impacted in the final accuracy of the model. Our predictive model can help identify and label high-risk surgical patients with a high probability of developing POD during the hospital stay. Also, the model might constitute a template in LMIC settings where postoperative quality improvement programs are still an unmet need. ...
Institution
Universidade Federal do Rio Grande do Sul. Faculdade de Medicina. Programa de Pós-Graduação em Medicina: Ciências Médicas.
Collections
-
Health Sciences (8977)Medical Sciences (1550)
This item is licensed under a Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)