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

• Ano de defesa: 2021
• Autor(a) principal: Silva Neto, Paulo Correa da
• Orientador(a): Stefani, Luciana Paula Cadore
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Modelos estatísticos; Medição de risco; Período pós-operatório; Delírio; Estudo de validação; Aprendizado de máquina
• Palavras-chave em Inglês: Machine learning; Delirium; Postoperative period; Models, statistical; Risk assessment
• Link de acesso: http://hdl.handle.net/10183/234571

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.