Previsão de risco de delírio em pacientes hospitalizados usando aprendizado de máquina: Um estudo de implementação e avaliação prospectiva

OBJETIVO: Modelos de aprendizado de máquina treinados em registros de saúde eletrônicos alcançaram alta precisão prognóstica em conjuntos de dados de teste, mas pouco se sabe sobre sua incorporação em fluxos de trabalho clínicos. Implementamos um algoritmo baseado em floresta aleatória para identificar pacientes hospitalizados em alto risco de delírio e avaliamos seu desempenho em um ambiente clínico. MATERIAIS E MÉTODOS: O delírio foi previsto na admissão e recalculado na noite da admissão. O desfecho de previsão definido foi um delírio codificado pela internação recente. Durante 7 meses de avaliação prospectiva, 5530 previsões foram analisadas. Além disso, 119 previsões para pacientes de medicina interna foram comparadas com avaliações de especialistas clínicos em um ambiente cego e não cego. RESULTADOS: Durante a aplicação clínica, o algoritmo alcançou uma sensibilidade de 74,1% e uma especificidade de 82,2%. A discriminação em dados prospectivos (área sob a curva característica de operação do receptor = 0,86) foi tão boa quanto no conjunto de dados de teste, mas a calibração foi pobre. As previsões correlacionaram-se fortemente com o risco de delírio percebido por especialistas nos ambientes cegos (r = 0,81) e não cegos (r = 0,62). Uma grande vantagem do nosso ambiente foi a previsão oportuna sem entrada de dados adicional. DISCUSSÃO: O algoritmo de aprendizado de máquina implementado alcançou um desempenho estável na previsão de delírio em concordância elevada com as avaliações dos especialistas, mas é necessária uma melhoria na calibração. Pesquisas futuras devem avaliar a aceitação de algoritmos de aprendizado de máquina implementados por profissionais de saúde. CONCLUSÕES: Nosso estudo fornece novas percepções sobre o processo de implementação de um algoritmo de aprendizado de máquina em um fluxo de trabalho clínico e demonstra seu poder preditivo para delírio.