Suporte inteligente à decisão sobre terapias e procedimentos através de modelos para a otimização de custos e outcome

Abstract

Com o aumento a cada ano das despesas com saúde e a detioração da situação económica mundial, a gestão de custos e recursos nos hospitais assume um papel cada vez mais importante. No caso das unidades de cuidados intensivos este problema atinge ainda uma dimensão maior, pois os custos com cada doente são bastante altos, devido a diversos fatores como o grande número de equipamentos que estas unidades possuem para efetuar uma constante monitorização dos doentes, o maior número de enfermeiros e médicos presentes nestas unidades e a grande diversidade de terapêuticas e fármacos que têm que ser administrados de modo a tentar reverter as situações em que os doentes se encontram. Todos estes fatores levam a um acréscimo do custo diário de um doente de uma unidade de cuidados intensivos. Com o intuito otimizar custos de internamento e tratamento, assim como otimizar o outcome de doentes, pretendeu-se com este trabalho de investigação aferir se existe viabilidade na utilização de modelos em Unidades de Cuidados Intensivos, para suportar a decisão ao nível clínico e administrativo. Foram criados e otimizados modelos de Data Mining que usam técnicas de clustering e classificação e também desenvolvidos modelos de decisão. O trabalho assentou essencialmente em três grandes estudos que consistiram na utilização de clustering na previsão de readmissões em medicina intensiva, previsão do tempo de internamento de doentes em unidades de cuidados intensivos através de técnicas de classificação e modelos de suporte à decisão no combate a infeções bacteriológicas em unidades de cuidados intensivos baseados em heurísticas. Ao nível dos modelos clustering, identificaram-se claramente dois potenciais grupos de doentes readmissíveis em unidades de cuidados intensivos. No caso da previsão de readmissões em medicina intensiva os melhores modelos apresentaram acuidades na ordem dos 80% e sensibilidades em torno dos 95%. Ao nível dos modelos de decisão para infeções bacteriológicas criou-se um algoritmo que utiliza heurísticas de pesquisa e que permite prestar aconselhamento aos intensivistas sobre o rol de soluções ao nível da administração de antibióticos.

With a constant increase in health expenses and an aggravation of the global economic situation, managing costs and resources in healthcare increasingly assumes a more important role. In the case of intensive care units this problem is even greater, because the costs with each patient are quite high due to several factors such as the large number of equipment that these units have to perform constant monitoring to patients. Also are important factors that affect costs in this units the bigger number of nurses and doctors present and the great variety of therapies and drugs that must be administered to try to reverse the situation in which patients are. All these factors lead to an increase in the daily cost of a patient in an intensive care unit. In order to help optimize spending with inpatients and treatments, it was intended with this research work to assess if there is viability of using models in intensive care units, to support clinical and administrative decision. Were created and optimized data mining models that used techniques like clustering and classification, and developed decision models. The work done consists in three major studies: use of clustering on the readmission prediction in intensive medicine, prediction of inpatients length of stay in intensive care units and decision support models for bacteriological infections in intensive care units. In the clustering models it’s clearly possible to identify two greater groups of inpatients that are more likely to have an readmission on the unit. In the prediction of inpatients length of stay the best models achieved accuracies of about 80% and sensibilities rounding 95%. In the decision models to support bacteriological infections was created an algorithm that uses search heuristics that allowed counseling the clinical staff about the treatment options at the level of antibiotic prescription.