Dados do Trabalho

Título

DESENVOLVIMENTO E VALIDAÇAO DE UM MODELO PROGNOSTICO UTILIZANDO MACHINE LEARNING PARA IDENTIFICAR IDOSOS NO ULTIMO ANO DE VIDA

Introdução

O prognóstico de sobrevida é crucial para pacientes, famílias e sistemas de saúde, influenciando decisões clínicas, opções de tratamento, expectativas familiares e o fardo psicológico¹. Identificar precocemente pacientes próximos ao fim da vida permite realinhar prioridades de cuidado, prevenindo intervenções fúteis e hospitalizações inadequadas². No entanto, traçar prognóstico de sobrevida é desafiador. Estudos mostram que os médicos tendem a ser muito otimistas, e poucas ferramentas prognósticas se mostraram consistentemente superiores³.

Objetivo e Método

Objetivo: Desenvolver um modelo preditivo que identifique pacientes próximos ao fim da vida com um ano de antecedência.
Método: Desenvolvemos um modelo preditivo de óbito utilizando redes neurais, um algoritmo de machine learning. A população estudada foi todos os usuários maiores que 60 anos de uma operadora de saúde suplementar, nos anos de 2018 a 2023, totalizando 64662 pacientes. As variáveis independentes foram os diagnósticos de pacientes internados, além das consultas, procedimentos e consumo de recursos assistenciais (tipo, quantidade e custo) de toda a população em todos os níveis de cuidado. O desempenho do modelo foi avaliado pela área sob a curva ROC, acurácia, sensitividade e especificidade.

Resultados

O modelo apresentou uma área sob a curva ROC de 80%, sensitividade de 70%, especificidade de 83% e uma acurácia de 70% para identificar os pacientes com risco de óbito nos 12 meses subsequentes. As variáveis que mais impactaram na predição do risco de óbito foram o valor anual de procedimentos intra-hospitalares, o sexo, a idade, o valor anual de atendimentos em ambulatórios oncológicos e a quantidade de reinternações

Conclusão/Considerações finais

Apesar de o óbito ser um evento raro e, por isso, de difícil predição em modelos utilizados para uma população geral, o modelo desenvolvido mostrou-se uma ferramenta eficiente para identificar precocemente pacientes no último ano de vida.

Referências

1- KIKAWA, Cristiano Yuji et al. A new perspective on palliative care: Analyzing moral distress and compassion fatigue through a qualitative lens. BMC Palliative Care, v. 22, n. 65, 2023.
2- NATIONAL INSTITUTE FOR HEALTH AND CARE EXCELLENCE (NICE). End of life care for adults: service delivery. Evidence review: What are the best service models to support the identification of people who may be entering the last year of life? NICE guideline NG142.
3- SIENA, Megan D. et al. Palliative Care in the ICU: Exploring the Current Practice. Palliative Medicine Reports, 2019.

Palavras Chave

PROGNÓSTICO; MACHINE LEARNING; ÚLTIMO ANO DE VIDA