Previsão da admissão de doentes na unidade de cuidados intensivos através de modelos de machine learning

Abstract

Nos últimos anos temos testemunhado avanços significativos no campo da medicina, impulsionados principalmente pelo desenvolvimento e incorporação de novas tecnologias. Estas inovações estão a revolucionar a forma como os profissionais de saúde diagnosticam e tratam as doenças, proporcionando resultados mais precisos e eficientes. No entanto, com o aumento exponencial do volume de dados gerados diariamente, tornou-se fundamental desenvolver novas técnicas e ferramentas que serão capazes de lidar com essa imensa quantidade de informação. Neste contexto, com o desenvolvimento das novas tecnologias surgem novas técnicas que nos podem ajudar a facilitar a automatização do processo de gestão de dados na saúde, e, consequentemente, melhorar os serviços prestados aos doentes e também ajudar os profissionais de saúde nas suas atividades diárias. Uma das áreas que necessita deste auxílio é a Medicina Intensiva, que tem vindo a ser desenvolvida de forma a ajudar a salvar vidas de doentes que se encontram em risco. Assim, torna-se evidente que há necessidade de prever as admissões à UCI, visto que para além de constituírem custos adicionais para as instituições e ocuparem recursos desnecessários, as admissões não planeadas são arriscadas para os doentes que se encontram debilitados. Neste contexto, após o pré-processamento de dados de uma instituição de saúde portuguesa e uma análise exploratória, foram usados dois modelos de Machine Learning de classificação, o Random Forest e a Regressão Logística, com o objetivo de prever a probabilidade de um doente ser admitido na Unidade de Cuidados Intensivos, onde a variável a ser prevista é categórica que indica se o doente foi ou não à UCI. Como conclusão foi possível analisar que variáveis como a idade, a proveniência dos doentes e as medições dos sinais vitais desempenham um papel significativo e importante na capacidade de prever a admissão dos doentes na Unidade de Cuidados Intensivos. Estas conclusões proporcionam informações que podem ser importantes para os profissionais de saúde, destacando a relevância destas variáveis no processo de triagem e na identificação de casos que requerem encaminhamento para a UCI.

In recent years we have witnessed significant advances in the field of medicine, driven mainly by the development and incorporation of new technologies. These innovations are revolutionizing the way healthcare professionals diagnose and treat diseases, providing more accurate and efficient results. However, with the exponential increase in the volume of data generated daily, it has become essential to develop new techniques and tools that will be capable of dealing with this immense amount of information. In this context, with the development of new technologies, new techniques emerge that can help us facilitate the automation of the healthcare data management process, and, consequently, improve the services provided to patients and also help healthcare professionals in their daily activities. One of the areas that needs this help is Intensive Medicine, which has been developed to help save the lives of patients who are at risk. Therefore, it becomes clear that there is a need to predict admissions to the ICU, since in addition to constituting additional costs for institutions and taking up unnecessary resources, unplanned admissions are risky for patients who are weakened. In this context, after pre-processing data from a Portuguese healthcare institution and an exploratory analysis, two classification Machine Learning models were used, Random Forest and Logistic Regression, to predict the probability of a patient being admitted to the Intensive Care Unit, where the variable to be predicted is categorical and indicates whether or not the patient went to the ICU. In conclusion, it was possible to analyze that variables such as age, patient origin, and vital sign measurements play a significant role in the ability to predict patient admission to the Intensive Care Unit. These conclusions provide information that may be important for health professionals, highlighting the relevance of these variables in the screening process and in identifying cases that require referral to the ICU.