Previsão de Um Mês de Úlceras de Pressão em Residentes de Lares de Idosos com Redes Bayesianas

Objetivos: As úlceras de pressão (UPs) são uma condição comum e evitável entre os residentes de lares de idosos, e suas consequências são severas. A identificação confiável e simples de residentes de alto risco é um grande desafio para a prevenção. Ferramentas disponíveis, como a escala de Braden e Norton, têm desempenho preditivo imperfeito. O objetivo é prever a ocorrência de UPs em residentes de lares de idosos a partir de dados de registros eletrônicos de saúde (RES). Desenho: Estudo de caso-controle retrospectivo longitudinal aninhado. Ambiente e Participantes: Banco de dados de RES de lares de idosos franceses de 2013 a 2022. Métodos: Residentes que sofreram de UPs foram considerados casos e aqueles que não sofreram foram controles. Para os casos, analisamos os dados disponíveis em seus RES 1 mês antes da ocorrência da primeira UP. Para os controles, usamos dados disponíveis 1 mês antes de uma data índice ajustada nos atrasos de surgimento da UP. Conduzimos uma análise de rede bayesiana (RB), um método de aprendizado de máquina explicável, usando 136 variáveis de entrada de potencial interesse médico determinadas com especialistas. Para validar o modelo, usamos pontuações, seleção de características e ferramentas de explicabilidade, como os valores de Shapley. Resultados: Entre 58.368 residentes analisados, 29% sofreram de UPs durante sua estadia. O modelo de RB obtido prevê a ocorrência de uma UP em um horizonte de 1 mês com uma sensibilidade de 0,94 (±0,01), uma precisão de 0,32 (±0,01) e uma área sob a curva de 0,69 (±0,02). Ele seleciona 3 variáveis: tempo de permanência, atraso desde a última hospitalização e dependência para transferência. Este modelo de RB é adequado e mais simples do que modelos fornecidos por outros métodos de aprendizado de máquina. Conclusões e Implicações: A previsão de um mês para UP incidente é possível em residentes de lares de idosos a partir de seus dados de RES. O estudo abre caminho para o desenvolvimento de uma ferramenta preditiva alimentada por dados coletados rotineiramente que não exigem trabalho adicional dos profissionais de saúde, abrindo assim uma nova estratégia preventiva para UPs.