Machine Learning para Predizer Tempo de Intenação em Pacientes Urológicas

Resumo

Contexto: A previsão precisa do tempo de permanência hospitalar (LOS) é essencial para a gestão eficiente de recursos e cuidados ao paciente. Este estudo tem como objetivo avaliar o desempenho de um modelo de rede neural perceptron multicamadas (MLP) na previsão do LOS para pacientes urológicos no Hospital Nossa Senhora da Conceição. Métodos:O estudo envolveu 1887 pacientes urológicos, utilizando dados pré-admissionais para treinar o modelo MLP. O desempenho do modelo foi avaliado usando a área sob a curva (AUC) para diferentes categorias de LOS: altas no mesmo dia, permanências de 1-3 dias, permanências de 3-7 dias e permanências superiores a 7 dias. Discussão: O modelo MLP demonstrou alta precisão preditiva com uma AUC de 0,960 para altas no mesmo dia, 0,77 para permanências de 1-3 dias, 0,74 para permanências de 3-7 dias e 0,80 para permanências superiores a 7 dias. Comparado aos métodos tradicionais de previsão, o modelo MLP mostrou desempenho superior, capturando efetivamente padrões de dados complexos. No entanto, as limitações incluem a necessidade de refinamento adicional e validação em diferentes cenários para melhorar a precisão e a generalização. Conclusões: Os achados sugerem que modelos de aprendizado de máquina, particularmente MLPs, podem melhorar significativamente a gestão de leitos hospitalares e o cuidado ao paciente, fornecendo previsões de LOS mais precisas. Pesquisas futuras devem focar na integração de variáveis clínicas adicionais e na exploração de outras técnicas de aprendizado de máquina para otimizar modelos preditivos em ambientes de saúde. Essa abordagem tem o potencial de otimizar as operações hospitalares e melhorar os resultados dos pacientes.