Contexto: As complicações adquiridas no hospital (CAHs) têm um impacto adverso na recuperação dos pacientes, por impedir sua trajetória para a recuperação completa e aumentar os custos do cuidado de saúde. Objetivo: O objetivo deste estudo foi desenvolver um modelo preditivo do risco de CAHs baseado no aprendizado de máquina (AM), usando coleções de dados administrativos de hospitais do North Metropolitan Health Service (NMHS), na Austrália Ocidental. Métodos: Realizamos um estudo de coorte retrospectivo com 64.315 pacientes entre julho de 2020 e junho de 2022 para desenvolver um referencial automatizado de AM. Para isso, utilizamos a ocorrência de CAHs e o local onde ocorreram no sistema de saúde para elaborar algoritmos preditivos específicos para pacientes internados em hospitais do NMHS. Utilizamos a análise univariada para a triagem inicial de 270 variáveis. Destas, 77 tiveram uma relação significativa com qualquer CAH. Após excluir os dados não contemporâneos, 37 variáveis foram incluídas no desenvolvimento do referencial de AM com base em modelos de regressão logística (RL), árvore de decisão (AD) e floresta aleatória (FA) para prever a ocorrência de quatro CAHs específicas: delirium, pneumonia aspirativa, pneumonia e infecção do trato urinário. Resultados: Todos os modelos apresentaram desempenho semelhante, com pontuações de área sob a curva em torno de 0,90 tanto para os conjuntos de dados de treinamento quanto de teste. Quanto à sensibilidade, AD e FA superaram o desempenho da RL, enquanto, em média, os falsos positivos foram menos frequentes nos modelos baseados em RL. O tempo de internação hospitalar, o Índice de Charlson, o tempo de operação e a permanência na unidade de terapia intensiva foram fatores preditivos comuns. Conclusão: A integração de sistemas de detecção de riscos baseados em AM ao fluxo de trabalho clínico pode melhorar a segurança do paciente e otimizar a alocação de recursos. Os modelos baseados em RL apresentaram o melhor desempenho. Implicações: Desenvolvemos um modelo bem-sucedido de previsão de riscos “em tempo real”, no qual as pontuações de risco dos pacientes são calculadas e revistas diariamente.
Background: Hospital-acquired complications (HACs) have an adverse impact on patient recovery by impeding their path to full recovery and increasing healthcare costs. Objective: The aim of this study was to create a HAC risk prediction machine learning (ML) framework using hospital administrative data collections within North Metropolitan Health Service (NMHS), Western Australia. Method: A retrospective cohort study was performed among 64,315 patients between July 2020 to June 2022 to develop an automated ML framework by inputting HAC and the healthcare site to obtain site-specific predictive algorithms for patients admitted to the hospital in NMHS. Univariate analysis was used for initial feature screening for 270 variables. Of these, 77 variables had significant relationship with any HAC. After excluding non-contemporaneous data, 37 variables were included in developing the ML framework based on logistic regression (LR), decision tree (DT) and random forest (RF) models to predict occurrence of four specific HACs: delirium, aspiration pneumonia, pneumonia and urinary tract infection. Results: All models exhibited similar performance with area under the curve scores around 0.90 for both training and testing datasets. For sensitivity, DT and RF exceeded LR performance while on average, false positives were lowest for LR-based models. Patient’s length of stay, Charlson Index, operation length and intensive care unit stay were common predictors. Conclusion: Integrating ML-based risk detection systems into clinical workflows can potentially enhance patient safety and optimise resource allocation. LR-based models exhibited best performance. Implications: We have successfully developed a “real-time” risk prediction model, where patient risk scores are calculated and reviewed daily.
