Tomada de decisão na priorização de pacientes em fila de espera cirúrgica baseada em aprendizado de máquina
Resumo
Lidar com a presença de filas de espera para procedimentos cirúrgicos eletivos apresenta-se como uma realidade para os países com sistemas de saúde de acesso universal. O progresso tecnológico, o envelhecimento populacional e indivíduos cada vez mais conscientes da necessidade de cuidados são alguns dos fatores que pressionam essa demanda, não correspondida pela oferta finita de serviços de saúde. Nesse cenário, encontrar uma maneira que promova a melhor alocação possível dos recursos existentes e garanta a equidade no acesso é imperativo. Esse estudo apresenta modelos de aprendizado de máquina (machine learning) capazes de discriminar pacientes em fila de espera para cirurgia valvar que serão atendidos como urgentes caso não sejam priorizados enquanto aguardam pelo procedimento. A partir dos dados de 588 pacientes submetidos à cirurgia valvar no INCORHCFMUSP entre janeiro de 2010 e dezembro de 2019 e considerando 44 variáveis independentes (demográficas, laboratoriais, ecocardiográficas, medicamentos em uso, diagnósticos de comorbidades e de lesão anatômica valvar), foram construídos e testados modelos de regressão logística, árvore de decisão, florestas aleatórias (random forests) e K-vizinhos mais próximos que pudessem diferenciar pacientes eletivos dos de urgência. A amostra balanceada foi submetida ao préprocessamento de dados e utilizou-se a validação cruzada como técnica de reamostragem no treinamento dos algoritmos. Os modelos de florestas aleatórias e regressão logística foram os que apresentaram melhor desempenho, com sensibilidade, especificidade, acurácia, precisão e AUROC de 67,3%, 60,9%, 64,1%, 63,3%, 0,64 e 66,0%, 63,3%, 64,6%, 64,2% e 0,65, respectivamente. Esses resultados apontam para uma ferramenta de priorização de pacientes objetiva, em oposição ao método tradicional de priorização, manual e baseado em critérios pessoais, realizado pelo médico e cercado de imperfeições como a diferença de percepção intra e interobservadores, fadiga, disponibilidade de tempo e outros vieses associados à tomada de decisão cirúrgica. Com isso, concorre-se para uma solução mais inteligente, justa, ágil, escalável e equânime no momento de definir quem deve ser atendido primeiro e quem pode esperar. Dealing with waiting lists for elective surgical procedures is a reality for countries with universal access health systems. Technological progress, population aging and individuals increasingly aware of the need for care are some of the factors that pressure this demand, which is not met by the finite supply of health services. In this scenario, it is essential to find a way to promote the best possible allocation of existing resources and ensure equity in access. This study presents machine learning models capable of discriminating patients on the waiting list for valve surgery who will be treated as urgent if they are not prioritized while waiting for the procedure. Based on data from 588 patients, derived from 44 independent variables (demographic, laboratory, echocardiographic, medication in use, diagnosis of comorbidities and anatomical valve lesion), who underwent valve surgery at INCORHCFMUSP between January 2010 and December 2019, algorithms of logistic regression, decision tree, random forests and K-nearest neighbors were constructed and tested, with the aim to differentiate elective from emergency patients. The balanced sample was submitted to data pre-processing and cross-validation was used as a resampling technique in algorithm training. Random forests and logistic regression showed the best performance, with sensitivity, specificity, accuracy, precision and AUROC of 67,3%, 60,9%, 64,1%, 63,3%, 0,64 and 66,0%, 63,3%, 64,6%, 64,2% and 0,65, respectively. These results point to an objective and transparent patient prioritization tool, as opposed to the traditional method of prioritization, manual and personalized, carried out by the physician and surrounded by imperfections such as the difference in intra- and inter-observer perception, fatigue, time availability and other biases associated with surgical decision-making. This contributes to a smarter, fairer, more equitable and scalable solution when defining who should be attended first and who can wait.
