Calculadora para delirium pós-operatório: uma tecnologia assistencial desenvolvida por meio de machine learning
Produto do Trabalho de Conclusão de Curso intitulado "Calculadora para delirium pós-operatório: uma tecnologia assistencial desenvolvida por meio de machine learning"
Calculadora de delirium
Introdução: O delirium consiste em um estado confusional frequente nas terapias intensivas, porém subnotificado, ocasionado por uma disfunção cerebral imediata, com evolução variável de comprometimento da funcionalidade cognitiva. Diretrizes disponíveis recomendam a identificação de indivíduos em alto risco para o desenvolvimento de delirium durante o período pós-operatório, com a finalidade para a implementação de medidas preventivas. Entretanto, a multiplicidade de fatores desencadeadores torna tal prática bastante desafiadora, sobretudo por se tratar de uma entidade nosológica que carece de elucidação científica. Nesse contexto, o método machine learning consiste em uma área da Inteligência Artificial que busca desenvolver modelos computacionais para o reconhecimento de padrões complexos e tomar decisões, representando uma abordagem promissora.
Objetivo: Desenvolver uma tecnologia assistencial por meio de machine learning para estimar a ocorrência de delirium pós-operatório em uma unidade crítico cirúrgica de um hospital universitário.
Tipologia/Estratificação do produto: ativos de propriedade intelectual, localizada no estrato T1 na categorização da CAPES.
Método: estudo metodológico, subdividido nas seguintes etapas: revisão de escopo, estudo de coorte prospectivo e elaboração do produto tecnológico. A produção tecnológica, a ser disponibilizada gratuitamente por meio de um sistema para desenvolvimento de aplicações web Shiny, foi elaborada a partir do acompanhamento de 157 pacientes em uma unidade crítico cirúrgica de um hospital universitário. Por meio do software R studio, foram empregados algoritmos de machine learning (redes neurais, Random Forest, Máquinas de Vetores de Suporte e regressão logística). O desfecho avaliado foi o delirium, detectado por meio do CAM-ICU.
Resultados: A incidência de delirium foi 28% (n=44). Os modelos preditores desenvolvidos, exceto a rede neural, possuem desempenho superior ao acaso. A melhor acurácia (0.68; IC 95% 0,55 – 0,79) e especificidade (0,76; IC 95% 0,63 – 0,86) foram obtidas por meio do Random Forest (AUC=0,71; IC 95% 0,57 – 0,84). O modelo selecionado para a produção tecnológica consistiu naquele que obteve melhor acurácia e especificidade, e tendo em vista a aplicabilidade do produto, preconizou-se aquele com menor quantidade de variáveis empregadas, resultando no Random Forest cujas variáveis foram selecionadas por importância média (AUC=0,69; IC 95% 0,56 – 0,83).
Conclusão, aplicabilidade e impacto: O delirium pós-operatório se comporta como uma entidade nosológica de difícil apreciação e previsão. Assim, acredita-se que o produto tecnológico propicie contribuição social na medida em agrega celeridade para a investigação de fatores de risco e permite adequado direcionamento de recursos preventivos. Desse modo, espera-se promover a redução dos custos socioeconômicos em consequência ao aprimoramento da qualidade do cuidado perioperatório, bem como o aumento da expectativa de vida e a implementação de tecnologias de cuidado inovadoras.
Descritores: Delirium; Delírio do despertar; Aprendizado de Máquina Supervisionado; Enfermagem em neurociência; Cuidados pós-operatórios; Cuidados críticos.
Produto registrado no INPI, processo n. BR512024001764-0 (Registro de Programa de Computador).
Trabalho de Conclusão de Curso sob sigilo temporário.
Autor(a): Danielle Moreira Marques
Orientador(a): Taís Verônica Cardoso Vernaglia
Coorientador(a): Davi da Silveira Barroso Alves