Ferramentas de predição do tempo de internação hospitalar utilizando aprendizado de máquina e métodos estatísticos demonstraram bom desempenho preditivo, com uma metanálise de estudos de validação mostrando um intervalo de predição de AUC de 0,596 a 0,798.
Revisão Sistemática (n=39)
Quais são as variáveis e métodos de predição validados utilizados em ferramentas que predizem o risco de tempo de internação prolongado em todas as admissões hospitalares e admissões de Clínica Médica?
Embora os modelos estatísticos e de aprendizado de máquina para predição do tempo de internação hospitalar demonstrem bom desempenho preditivo, sua aplicação clínica é atualmente limitada pela falta de validação externa e pela baixa qualidade metodológica.
p-value: p=<0.001
Contexto: O tempo de internação (TI) prolongado e injustificado aumenta o risco de complicações adquiridas no hospital, morbidade e mortalidade por todas as causas, necessitando ser reconhecido e abordado de forma proativa. Objetivo: Esta revisão sistemática teve como objetivo identificar variáveis de predição validadas e métodos utilizados em ferramentas que predizem o risco de TI prolongado em todas as admissões hospitalares e, especificamente, em admissões de Clínica Médica (GenMed). Método: Ferramentas de predição de TI publicadas desde 2010 foram identificadas em cinco grandes bases de dados de pesquisa. Os principais desfechos foram métricas de desempenho do modelo, variáveis de predição e nível de validação. A metanálise foi realizada para modelos validados. O risco de viés foi avaliado utilizando a lista de verificação PROBAST. Resultados: No total, foram identificados 25 estudos de todas as admissões e 14 estudos de GenMed. Métodos estatísticos e de aprendizado de máquina foram utilizados de forma quase equivalente em ambos os grupos. Métricas de calibração foram relatadas com pouca frequência, com apenas 2 de 39 estudos realizando validação externa. A metanálise dos estudos de validação de todas as admissões revelou um intervalo de predição de 95% para theta de 0,596 a 0,798 para a área sob a curva. Categorias preditoras importantes foram diagnósticos de comorbidade e escores de risco de gravidade da doença, dados demográficos e características da admissão. A qualidade geral dos estudos foi considerada baixa devido ao relato inadequado do processamento e da análise dos dados. Conclusão: Até onde sabemos, esta é a primeira revisão sistemática a avaliar a qualidade de modelos de predição de risco para TI hospitalar nos grupos de GenMed e de todas as admissões. Notavelmente, tanto o aprendizado de máquina quanto a modelagem estatística demonstraram bom desempenho preditivo, mas os modelos foram raramente validados externamente e apresentaram baixa qualidade geral de estudo. Futuramente, é necessário focar em métodos de qualidade por meio da adoção de diretrizes existentes e validação externa antes da aplicação clínica. Registro da revisão sistemática: https://www.crd.york.ac.uk/PROSPERO/, identificador: CRD42021272198.
Gokhale et al. (Wed,) conduziram uma revisão sistemática em Admissão hospitalar (todas as admissões e clínica médica) (n=39). Ferramentas de predição do tempo de internação hospitalar (modelos de aprendizado de máquina e estatísticos) foram avaliadas quanto à Área sob a curva (AUC) para predizer tempo de internação prolongado (95% CI 0.596-0.798, p=<0.001). Ferramentas de predição do tempo de internação hospitalar utilizando aprendizado de máquina e métodos estatísticos demonstraram bom desempenho preditivo, com uma metanálise de estudos de validação mostrando um intervalo de predição de AUC de 0.596 a 0.798.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: