Tomada de decisão na priorização de pacientes em fila de espera cirúrgica baseada em aprendizado de máquina

• Ano de defesa: 2021
• Autor(a) principal: Moraes, Marcos
• Orientador(a): Vecina Neto, Gonzalo, Gutierrez, Marco Antonio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado de máquina; Tomada de decisão cirúrgica; Filas de espera; Priorização
• Palavras-chave em Inglês: Machine learning; Surgical decision making; Waiting lists; Prioritization
• Link de acesso: https://hdl.handle.net/10438/31138

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.