Acceso usuarios
Nayara Cristina Silva, Laurence Rodrigues do Amaral, Matheus de Souza Gomes, Pedro Luiz Lima Bertarini, Marcelo Keese Albertini, André R. Backes, Geórgia Das Graças Pena
Antecedentes y objetivo: identificar a los pacientes con alto riesgo de readmisión sigue siendo un desafío para los profesionales de la salud. A pesar del interés reciente en el uso del aprendizaje automático en este tema, los estudios son escasos y comúnmente utilizan solo algoritmos de caja negra. El objetivo de nuestro estudio fue desarrollar y validar in silico un modelo predictivo interpretable utilizando una inferencia de árbol de decisión para identificar a los pacientes pediátricos en riesgo de readmisiones potencialmente evitables a los 30 días.
Métodos: estudio de cohortes retrospectivo realizado con todos los pacientes menores de 18 años ingresados en un hospital universitario terciario. Se recopilaron datos demográficos, clínicos y nutricionales de bases de datos electrónicas. El resultado fue la readmisión potencialmente evitable a los 30 días. Se utilizó el algoritmo J48 para desarrollar los árboles de mejor ajuste capaces de clasificar el resultado de manera eficiente. Se aplicó la validación cruzada leave-one-out y se calculó el área bajo la curva operativa del receptor (AUC).
Resultados: los atributos más importantes del modelo fueron la proteína C-reactiva, los niveles de hemoglobina y sodio, además del monitoreo nutricional. Obtuvimos una AUC de 0,65 y una precisión del 63,3 % en el entrenamiento completo y la validación cruzada leave-one-out.
Conclusión: nuestro modelo permite la identificación de readmisiones potencialmente evitables a los 30 días mediante indicadores prácticos, facilitando intervenciones oportunas por parte del equipo médico y podría contribuir a reducir este resultado.
Background and objective: identifying patients at high risk of avoidable readmission remains a challenge for healthcare professionals. Despite the recent interest in Machine Learning in this topic, studies are scarce and commonly using only black box algorithms. The aim of our study was to develop and validate in silico an interpretable predictive model using a decision tree inference to identify pediatric patients at risk of 30-day potentially avoidable readmissions.
Methods: a retrospective cohort study was conducted with all patients under 18 years admitted to a tertiary university hospital. Demographic, clinical and nutritional data were collected from electronic databases. The outcome was the potentially avoidable 30-day readmissions. The J48 algorithm was used to develop the best-fit trees capable of classifying the outcome efficiently. Leave-one-out cross-validation was applied and we computed the area under the receiver operating curve (AUC).
Results: the most important attributes of the model were C-reactive protein, hemoglobin and sodium levels, besides nutritional monitoring. We obtained an AUC of 0.65 and accuracy of 63.3 % for the full training and leave-one-out cross-validation.
Conclusion: our model allows the identification of 30-day potentially avoidable readmissions through practical indicators facilitating timely interventions by the medical team, and might contribute to reduce this outcome.
