Avaliação por aprendizado de máquina de iniquidades e disparidades associadas a indicadores de eventos de segurança sensíveis ao cuidado de enfermagem

Título original
Machine learning evaluation of inequities and disparities associated with nurse sensitive indicator safety events
Resumo

Objetivo: Usar o aprendizado de máquina para examinar a equidade em saúde e os resultados clínicos em pacientes que vivenciaram um evento sensível ao cuidado de enfermagem (nurse sensitive indicator - NSI), definido como uma queda, uma lesão por pressão adquirida no hospital (LPAH) ou uma infecção adquirida no hospital (IAH). Desenho: Este foi um estudo observacional retrospectivo de um único hospital universitário ao longo de seis anos (2016–2021). O aprendizado de máquina foi usado para examinar pacientes com um NSI em comparação com aqueles sem. Métodos: Critérios de inclusão: todas as internações de adultos (2016–2021). Três abordagens foram usadas para analisar o grupo com NSI em comparação com o grupo sem NSI. Na análise univariada, a estatística descritiva e as diferenças padronizadas absolutas (DAPs) foram usadas para comparar os dados demográficos e as variáveis clínicas dos pacientes que tiveram um NSI e daqueles que não tiveram. Para a análise multivariada, foi utilizado um modelo de máquina de reforço de classificação de luz (LightGBM) para examinar de forma abrangente as relações associadas ao desenvolvimento de um NSI. Por fim, foi realizado um estudo de simulação para quantificar a força das associações obtidas a partir do modelo de aprendizado de máquina. Resultados: Das 163.507 internações, 4.643 (2,8%) foram associadas a pelo menos um NSI. A média de idade, com desvio-padrão (DP), foi de 59,5 (18,2) anos e 82.397 (50,4%) eram do sexo masculino. Brancos não hispânicos, 84.760 (51,8%); negros não hispânicos, 8.703 (5,3%); asiáticos não hispânicos, 23.368 (14,3%); outros não hispânicos, 14.284 (8,7%); e hispânicos, 30.271 (18,5%). Raça e etnia por si só não foram associadas à ocorrência de um NSI. O grupo com NSI teve um tempo de permanência (LOS) estatisticamente significativo mais longo, permanência mais longa na unidade de terapia intensiva (UTI) e era mais propenso a ter uma admissão de emergência em comparação com o grupo sem NSI. Os resultados do estudo de simulação demonstraram que a probabilidade de NSI foi maior em pacientes admitidos nas principais categorias diagnósticas (MDC) associadas a diagnósticos de doenças circulatórias, digestivas, renais/urinárias, nervosas e infecciosas e parasitárias. Conclusão: Neste estudo, a raça/etnia não esteve associada ao risco de um evento de NSI. O risco de um evento de NSI foi associado à admissão de emergência, LOS mais longa, LOS-UTI mais longa e a certos MDCs (diagnósticos circulatórios, digestivos, renais/urinários, nervosos, infecciosos e parasitários). Relevância clínica: As metodologias de aprendizado de máquina fornecem um novo mecanismo para investigar eventos de NSI através da lente da equidade/disparidade em saúde. Compreender quais pacientes apresentam maior risco de resultados adversos pode ajudar os hospitais a melhorar os cuidados de enfermagem e evitar lesões e danos causados por NSI. 
 

Resumo original

Purpose: To use machine learning to examine health equity and clinical outcomes in patients who experienced a nurse sensitive indicator (NSI) event, defined as a fall, a hospital-acquired pressure injury (HAPI) or a hospital-acquired infection (HAI). Design: This was a retrospective observational study from a single academic hospital over six calendar years (2016–2021). Machine learning was used to examine patients with an NSI compared to those without. Methods: Inclusion criteria: all adult inpatient admissions (2016–2021). Three approaches were used to analyze the NSI group compared to the No-NSI group. In the univariate analysis, descriptive statistics, and absolute standardized differences (ASDs) were employed to compare the demographics and clinical variables of patients who experienced a NSI and those who did not experience any NSIs. For the multivariate analysis, a light grading boosting machine (LightGBM) model was utilized to comprehensively examine the relationships associated with the development of an NSI. Lastly, a simulation study was conducted to quantify the strength of associations obtained from the machine learning model. Results: From 163,507 admissions, 4643 (2.8%) were associated with at least one NSI. The mean, standard deviation (SD) age was 59.5 (18.2) years, males comprised 82,397 (50.4%). Non-Hispanic White 84,760 (51.8%), non-Hispanic Black 8703 (5.3%), non-Hispanic Asian 23,368 (14.3%), non-Hispanic Other 14,284 (8.7%), and Hispanic 30,271 (18.5%). Race and ethnicity alone were not associated with occurrence of an NSI. The NSI group had a statistically significant longer length of stay (LOS), longer intensive care unit (ICU) LOS, and was more likely to have an emergency admission compared to the group without an NSI. The simulation study results demonstrated that likelihood of NSI was higher in patients admitted under the major diagnostic categories (MDC) associated with circulatory, digestive, kidney/urinary tract, nervous, and infectious and parasitic disease diagnoses. Conclusion: In this study, race/ethnicity was not associated with the risk of an NSI event. The risk of an NSI event was associated with emergency admission, longer LOS, longer ICU-LOS and certain MDCs (circulatory, digestive, kidney/urinary, nervous, infectious, and parasitic diagnoses). Clinical Relevance: Machine learning methodologies provide a new mechanism to investigate NSI events through the lens of health equity/disparity. Understanding which patients are at higher risk for adverse outcomes can help hospitals improve nursing care and prevent NSI injury and harm. 
 

Revista
Journal of Nursing Scholarship : an Official Publication of Sigma Theta Tau International Honor Society of Nursing / Sigma Theta Tau
Data de publicação
doi
10.1111/jnu.12983