Métodos de aprendizado de máquina para priorização de filas cirúrgicas.

• Ano de defesa: 2025
• Autor(a) principal: Gagliotti, Karina Zaccari Ohmedilla
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Cirurgia valvar; Estratificação de risco; Gestão de recursos hospitalares; Hospital resource management; Machine learning; Prioridade em filas de espera; Risk stratification; Valvar surgery; Waiting list prioritization
• Link de acesso: https://teses.usp.br/teses/disponiveis/3/3154/tde-10042026-103319/

A existência de filas de espera em sistemas de saúde de acesso universal representa um desafio recorrente em diversos países, decorrente da oferta limitada de recursos hospitalares frente ao aumento constante da demanda populacional. Uma estratégia considerada mais equitativa e eficiente para mitigar esse problema é a priorização de pacientes com base em critérios clínicos, visando alocar recursos de forma mais inteligente. Este trabalho propõe uma modelo de priorização de pacientes em fila de espera para cirurgia cardíaca, utilizando algoritmos de Aprendizado de Máquina (AM). Foram analisados dados de 588 pacientes submetidos à cirurgia valvar no Instituto do Coração do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (InCor-HC FMUSP), no período de janeiro de 2010 a dezembro de 2019. A variável resposta foi o tipo de cirurgia (eletiva ou urgência), enquanto as 44 variáveis preditoras incluíram dados demográficos, laboratoriais, ecocardiográficos, uso de medicamentos, comorbidades e características anatômicas de lesão valvar. Foram testados os seguintes algoritmos: Regressão Logística, K-vizinhos Mais Próximos, Árvores de Decisão, Florestas Aleatórias, Gradient Boosting, LightGBM e CatBoost. O algoritmo CatBoost apresentou, nos conjuntos de teste e validação, Sensibilidade (Se) de 0,7517, Especificidade (Sp) de 0,5867, Acurácia (Acc) de 0,6678, Precisão (Pr) de 0,6372, F1-score de 0,6891 e área sob a curva ROC (AUROC) de 0,6924. Já o algoritmo de Florestas Aleatórias produziu Se de 0,7034, Sp de 0,6333, Acc de 0,6678, Pr de 0,6496, F1-score de 0,6754 e uma AUROC de 0,6997. Os resultados evidenciam o potencial do uso de AM como ferramenta de apoio à gestão de filas de espera, permitindo a priorização baseada em dados de pacientes que aguardam cirurgia valvar. Tal abordagem pode contribuir para a alocação mais eficiente de recursos hospitalares e para a redução do risco clínico em casos que demandam maior urgência cirúrgica.