stabellini hamerschlakO pesquisador Nickolas Stabellini (na foto, à esquerda), afiliado à Case Western Reserve University, Augusta University e Hospital Israelita Albert Einstein, é primeiro autor de estudo realizado em Cleveland (Ohio, EUA) que buscou desenvolver um modelo de aprendizado de máquina (do inglês, ML- machine learning) específico para tumores sólidos para a predição de readmissões não planejadas em 30 dias. O hematologista Nelson Hamerschlak é coautor do trabalho, publicado no JCO Clinical Cancer Informatics.

“As readmissões hospitalares não planeadas são dispendiosas, e pacientes com câncer apresentam maiores taxas de hospitalização e readmissão não planejada em comparação com a população em geral. A utilização de um modelo de machine leraning específico para o câncer pode ajudar os prestadores de cuidados de saúde a identificar pacientes com alto risco de readmissão hospitalar não planejada, melhorar o planejamento da alta e a atribuição equitativa de recursos adicionais de cuidados de saúde aos pacientes com maior risco de readmissão hospitalar”, esclarecem os autores.

A coorte inicial incluiu pacientes com 18 anos ou mais com diagnóstico de tumor sólido entre 2005 e 2022. Foram geradas duas coortes distintas: uma com e outra sem a disponibilidade de dados detalhados sobre determinantes sociais da saúde (DSS). Para cada coorte, os dados foram particionados temporalmente em 70% (treinamento), 20% (validação) e 10% (teste).

Modelos de machine learning foram então desenvolvidos e validados em cada coorte. As métricas utilizadas para avaliar o desempenho do modelo foram curva característica de operação do receptor (ROC), área sob a curva ROC, precisão, recall (R), acurácia e área sob a curva de precisão-recall.

Resultados

Foram incluídos 13.717 pacientes em duas coortes distintas:5.059 sem dados de DSS e 8.658 com dados de DSS. O desfecho de readmissão não planejada em 30 dias ocorreu em 21,3% dos casos totais. Os cinco principais fatores não-DSS associados a uma readmissão não planejada em 30 dias (R, 0,74; IQR, 0,58-0,76) foram número de readmissões não planejadas anteriores; maior escore de comorbidades de Charlson; índice de admissões não eletivas; alta para qualquer lugar que não seja casa, hospice ou enfermaria; e niveis elevados de anion gap durante a internação.

O índice de criminalidade do bairro no qual o paciente reside, os valores médios das residênciasdo bairro no qual o paciente reside, a renda anual do paciente, a renda familiar média do bairro no qual o paciente reside e o índice de riqueza do paciente foram os cinco principais fatores de DSS para predizer um alto risco de readmissão hospitalar não planejada (R, 0,66; IQR, 0,56-0,72). De acordo com os autores, os modelos não foram desenvolvidos para serem diretamente comparáveis em termos de performance.

“Independentemente do tipo e estágio do câncer, os principais fatores de readmissões não planejadas em pacientes com tumores sólidos são complexos e envolvem determinantes sociais da saúde e fatores clínicos como intensidade de utilização de cuidados de saúde, comorbidades subjacentes, informações relacionadas à hospitalização e valores laboratoriais específicos durante a admissão índice. Desenvolvemos um modelo de machine learning específico para câncer que, com razoável precisão, identificou pacientes com tumores sólidos com alto risco de readmissão hospitalar não planejada”, concluíram os autores.

Referência: Stabellini N, Nazha A, Agrawal N, Huhn M, Shanahan J, Hamerschlak N, Waite K, Barnholtz-Sloan JS, Montero AJ. Thirty-Day Unplanned Hospital Readmissions in Patients With Cancer and the Impact of Social Determinants of Health: A Machine Learning Approach. JCO Clin Cancer Inform. 2023 Jul;7:e2200143. doi: 10.1200/CCI.22.00143. PMID: 37463363.