Dados do Trabalho

Título

Desenvolvimento de modelos de machine learning para predição de necessidade de internação em Unidade de Terapia Intensiva (UTI) e de custos totais por paciente: covid-19

Objetivo

Desenvolver modelos de machine learning para predizer necessidade de internação em UTI e faixa de custos de tratamento em pacientes com covid-19.

Métodos

Estudo de coorte retrospectiva, que incluiu pacientes adultos com covid-19 confirmada, admitidos em cinco hospitais de março a agosto de 2020, subprojeto do projeto multicêntrico de custos de autores deste trabalho. Na predição de internação em UTI, utilizou-se atributos de dados clínicos obtidos à admissão (idade; sexo; hipertensão arterial; obesidade; doença renal crônica; doença pulmonar crônica) como preditores. Na predição de faixas de custos, utilizou-se ainda faixas de custos de tratamento como desfecho. Posteriormente, realizou-se a predição de faixas de custos adicionando atributos de tratamentos intensivos (uso de ventilação mecânica; necessidade de diálise; posição prona). Utilizou-se o algoritmo random forest.

Resultados

Foram incluídos 830 pacientes (idade mediana de 61 anos [amplitude interquartil: 25], 50% homens). 365 pacientes (44%) foram admitidos em UTI. Verificou-se variações significativas no custo médio por paciente (R$ 9.455,32 ± R$14.451,52) entre os hospitais. Ademais, identificou-se que a utilização de UTI foi o principal preditor do custo final.
Houve diferenças na acurácia média entre os modelos dos hospitais na predição de internação em UTI (54% a 61%) e na predição de faixas de custos (29% a 40%).
A adição dos atributos de tratamentos intensivos gerou melhorias de até 70% na acurácia da predição de faixas de custos.

Conclusão

Incluir informações sobre os tratamentos intensivos utilizados pelo paciente melhorou a acurácia da predição de faixas de custos quando comparado ao modelo com apenas dados clínicos obtidos à admissão.