Predição da admissão de pacientes COVID-19 em Unidade de Terapia Intensiva baseada na estrutura de Enfermagem de Precisão
DOI:
https://doi.org/10.59681/2175-4411.v16.i1.2024.1027Palavras-chave:
Modelos de predição, Medicina de Precisão, COVID-19Resumo
Objetivo: aplicar e comparar algoritmos de aprendizagem de máquinas para prever a admissão de pacientes COVID-19 na Unidade de Terapia Intensiva a partir do referencial teórico de Enfermagem de Precisão. Métodos: Estudo retrospectivo com 180 pacientes notificados na cidade de Florianópolis. Foi avaliado o desempenho dos seguintes algoritmos: perceptron multicamadas - rede neural artificial, AdaBoost, regressão logística, floresta aleatória, kNN, Naive Bayes, SVM e árvore de decisão. Resultados: As variáveis preditoras que mais influenciaram o modelo foram a admissão hospitalar, raça e a dor de garganta. O perceptron multicamadas conseguiu uma melhor performance para AUC (0,917), sensibilidade (0,861), e especificidade (0,825). Conclusão: Esta aplicação provou ser um método viável para prever a admissão de pacientes infectados com COVID-19 na UCI e os biomarcadores clínicos provaram ser relevantes para a prática clínica de Enfermagem porque são facilmente observáveis e podem ser rapidamente implementados.
Referências
Cheng FY, Joshi H, Tandon P, Freeman R, Reich DL, Mazumdar M, et al. Using Machine Learning to Predict ICU Transfer in Hospitalized COVID-19 Patients. Journal of Clinical Medicine 2020, Vol 9, Page 1668 [Internet]. 2020 Jun 1 [cited 2022 Jan 20];9(6):1668. Available from: https://www.mdpi.com/2077-0383/9/6/1668/htm DOI: https://doi.org/10.3390/jcm9061668
Hou W, Zhao Z, Chen A, Li H, Duong TQ. Machining learning predicts the need for escalated care and mortality in COVID-19 patients from clinical variables. Int J Med Sci [Internet]. 2021 [cited 2022 Jan 20];18(8):1739. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7976594/ DOI: https://doi.org/10.7150/ijms.51235
Covino M, Sandroni C, Santoro M, Sabia L, Simeoni B, Bocci MG, et al. Predicting intensive care unit admission and death for COVID-19 patients in the emergency department using early warning scores. Resuscitation [Internet]. 2020 Nov 1 [cited 2022 Mar 20];156:84–91. Available from: www.sciencedirect.com DOI: https://doi.org/10.1016/j.resuscitation.2020.08.124
Cheng J, Cui J, Yu W, Kang H, Tian Y, Jiang X. Factors influencing nurses’ behavioral intention toward caring for COVID-19 patients on mechanical ventilation: A cross-sectional study. PLoS One [Internet]. 2021 Nov 1 [cited 2022 Jan 20];16(11):e0259658. Available from: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0259658 DOI: https://doi.org/10.1371/journal.pone.0259658
Cuocolo R, Caruso M, Perillo T, Ugga L, Petretta M. Machine Learning in oncology: A clinical appraisal. Cancer Lett. 2020 Jul 1; 481:55–62. DOI: https://doi.org/10.1016/j.canlet.2020.03.032
Sá GCB, Silva AV, Lima NCA, Nascimento SM. Predicting bed occupancy rate of ICU’s in brazilian regions considering vaccination. J. Health Inform [Internet]. 2022 Apr-Sep [ cited 2023 Mar 27];14(2):89-95. Available from: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/919/508
Alimadadi A, Aryal S, Manandhar I, Munroe PB, Joe B, Cheng X. Artificial intelligence and machine learning to fight covid-19. Physiol Genomics [Internet]. 2020 Apr 1 [cited 2022 Jan 20];52(4):200-2. Available from: https://journals.physiology.org/doi/abs/10.1152/physiolgenomics.00029.2020 DOI: https://doi.org/10.1152/physiolgenomics.00029.2020
Yuan C. Precision Nursing: New Era of Cancer Care. Cancer Nurs. 2015;38(5):333–4. DOI: https://doi.org/10.1097/NCC.0000000000000290
Izquierdo JL, Ancochea J, Soriano JB. Clinical Characteristics and Prognostic Factors for Intensive Care Unit Admission of Patients With COVID-19: Retrospective Study Using Machine Learning and Natural Language Processing. J Med Internet Res [Internet]. 2020 Oct 1 [cited 2022 Jan 20];22(10). Available from: /pmc/articles/PMC7595750/ DOI: https://doi.org/10.2196/21801
Kwong JC, Khondker A, Kim JK, Chua M, Keefe DT, dos Santos J, et al. Posterior Urethral Valves Outcomes Prediction (PUVOP): a machine learning tool to predict clinically relevant outcomes in boys with posterior urethral valves. Pediatric Nephrology [Internet]. 2021 Oct 22 [cited 2023 Fev 5];1:1–8. Available from: https://link.springer.com/article/10.1007/s00467-021-05321-3 DOI: https://doi.org/10.1007/s00467-021-05321-3
Moghadas SM, Vilches TN, Zhang K, Wells CR, Shoukat A, Singer BH, et al. The impact of vaccination on COVID-19 outbreaks in the United States. medRxiv [Internet]. 2020 Nov 30 [cited 2022 Jan 20]; Available from: /pmc/articles/PMC7709178/
Maltezou HC, Basoulis D, Bonelis K, Gamaletsou MN, Giannouchos T v., Karantoni E, et al. Effectiveness of full (booster) COVID-19 vaccination against severe outcomes and work absenteeism in hospitalized patients with COVID-19 during the Delta and Omicron waves in Greece. Vaccine [Internet]. 2023 [cited 2023 Feb 19]; Available from: https://pubmed.ncbi.nlm.nih.gov/36740558/ DOI: https://doi.org/10.1016/j.vaccine.2023.01.067
Corwin EJ, Ferranti EP. Integration of biomarkers to advance precision nursing interventions for family research across the life span. Nurs Outlook. 2016;64(4):292–8. DOI: https://doi.org/10.1016/j.outlook.2016.04.007
Fu MR, Kurnat-Thoma E, Starkweather A, Henderson WA, Cashion AK, Williams JK, et al. Precision health: A nursing perspective. Int J Nurs Sci [Internet]. 2020 Jan 10 [cited 2022 Jan 26];7(1):5. Available from: /pmc/articles/PMC7031154/ DOI: https://doi.org/10.1016/j.ijnss.2019.12.008
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Greici Capellari Fabrizzio, Alacoque Lorenzini Erdmann, Lincoln Moura de Oliveira, Elisiane Lorenzini, Rodrigo Jensen, José Luís Guedes dos Santos
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
