Previsão de reinternamentos em medicina intensiva

Abstract

A tomada de decisão por parte do intensivista nas unidades de cuidados intensivos (UCI) tem-se revelado um dos problemas mais críticos na altura da alta hospitalar. Interpretar corretamente e instantaneamente toda a informação disponível no momento de dar alta hospitalar ao doente revela-se extremamente complicado. No sentido de proporcionar aos doentes os melhores cuidados de saúde e prevenir readmissões não programadas, tornou-se necessário a procura de novas técnicas que permitam reduzir a taxa de reinternamentos nas UCI. Este trabalho tem como objetivo demonstrar que através do uso de técnicas de data mining e da utilização de modelos de classificação, é possível saber a probabilidade de um doente vir a ser readmitido nas UCI, que irão capacitar os profissionais de saúde de uma melhor e apoiada tomada de decisão na altura da alta hospitalar. Os dados utilizados no desenvolvimento dos modelos de classificação são oriundos da UCI do Centro Hospitalar do Porto (CHP), Portugal. O trabalho desenvolvido nesta dissertação tem por base a utilização de um modelo preditivo, o Stability and Workload Index For Transfer (SWIFT). Analogamente foram aplicadas um conjunto de técnicas de Data Mining (DM) sobre o conjunto de dados nomeadamente: as Árvores de Decisão (AD), as Máquinas Vetores de Suporte (MVS) e as Naïve Bayes (NB). Relativamente à avaliação dos modelos utilizaram-se a Matriz de Confusão e as métricas associadas. De entra as métricas associadas foram utilizadas as medidas de sensibilidade, especificidade e acuidade. Concluindo, foi possível prever, com elevada taxa de acuidade, valores na ordem dos 98%, para a readmissão de doentes nas UCI. De acordo com os resultados obtidos os modelos de classificação desenvolvidos vão permitir aos profissionais de saúde ter uma melhor perceção das condições futuras do doente no momento da alta hospitalar, ou seja, vai ser possível saber a probabilidade de um doente voltar a ser internado na UCI.

The decision taken by the intensive care unit (ICU) has proven to be one of the most critical issues at the time of hospital discharge. To interpret instantly and correctly the available information at the time of the patient’s discharge has revealed to be extremely complicated. In order to provide the best patient care and prevent unplanned readmissions, which are common and costly, it became necessary to search for new techniques to reduce the rate of readmission in UCI. This thesis aims to demonstrate that by using data mining techniques and classification models it is possible to know the probability of a patient likely to be readmitted to the ICUs, which will empower health professionals with better decision making at the time of hospital discharge. The data used in the development of classification models are from UCI Hospital Centre of Porto, Portugal. The work in this thesis is based on the use of a predictive model, the Stability and Workload Index For Transfer (SWIFT). Were similarly applied a set of Data Mining techniques on the dataset (DM) namely: Decision Trees, Support Vector Machines and Naive Bayes. Regarding models’ assessment were used Confusion Matrix and associated metrics. Between the associated metrics were used measures of sensitivity, specificity and accuracy. In conclusion, it was possible to predict, with high accuracy rate, values around 98% for the readmission of patients in the ICU. According to the results obtained the developed classification models will allow health professionals to have a better perception of patients’ future conditions in the moment of the hospital discharge, therefore it will be possible to know the probability of a patient being readmitted into the ICU.