Produção Nacional
Avaliação de Tecnologia em Saúde na Doença Renal Crônica: Análise de Biomarcadores por Inteligência Artificial.
2023; Volume: 8; Issue: s. 2 Linguagem: Português
10.22563/2525-7323.2023.v1.s2.p.129
ISSN2525-7323
AutoresIsabel Cristina Reinheimer, Marcelo Lied-da-Cunha, Isadora Badalotti Telöken, Mayara Abichequer Beer, Ana Beatriz Lesqueves Barra, Jorge Paulo Strogoff de Matos, Rafael H. Bordini, Carlos Eduardo Poli‐de‐Figueiredo,
Tópico(s)Healthcare during COVID-19 Pandemic
ResumoIntrodução: No Brasil, mais de 134 mil indivíduos estão em hemodiálise e são acompanhados no Sistema Único de Saúde(SUS) através da Diretriz Clínica de Cuidado ao paciente com Doença Renal Crônica. Esta tecnologia em saúde preconiza aavaliação de 30 biomarcadores em diferentes periodicidades: mensal, trimestral, semestral, anual e eventual. Esse volume dedados de mundo real (do inglês, RWD) associados a Inteligência Artificial (IA) tem o potencial de analisar o valor de uso destesbiomarcadores e – consequentemente – da Diretriz Clínica, tornando-se um método de Avaliação de Tecnologia em Saúde (ATS). Objetivos: Desenvolver um método com rede neural para avaliar a Diretriz Clínica de 2014 utilizando os biomarcadores de pacientes em hemodiálise no SUS. Material e Método: Estudo de coorte retrospectiva realizado em 23 Centros de Diálise decinco estados do Brasil: Rio de Janeiro, Distrito Federal, São Paulo, Minas Gerais e Pernambuco. Os RWD foram coletados de2012 a 2016 em prontuário eletrônico padronizado e extraídos mensalmente do Banco de Dados Europeu de Diálise Clínica.Foram incluídos pacientes maiores de 18 anos incidentes em hemodiálise e excluídos aqueles com menos de três meses deseguimento. Foram testados 14 algoritmos de IA para a predição do desfecho óbito, utilizando 20 variáveis: 17 biomarcadores e 3 variáveis de perfil. As métricas de acurácia, precisão, sensibilidade e F1-score foram aplicadas para a rede neural e a AUC-ROC demonstrou o desempenho dos melhores modelos. Resultados: Foram analisados RWD de 1.834 pacientes incidentes em hemodiálise pareados para presença-ausência do desfecho óbito. As métricas de acurácia, precisão, sensibilidade e F1-scoreda rede neural Multilayer Perceptron (MLP) foram: 70%; 71%; 72%; 69%. A AUC-ROC dos melhores modelos foram: RandomForest (0.77), Logistic Regression (0.77), XGBoost (0.76), Decision Tree (0.64). As variáveis com maior impacto nestes modelosforam albumina, sódio, idade, taxa de redução de ureia e hemoglobina. Esta relação foi inversamente proporcional (quantomenor o valor do biomarcador, maior o impacto no modelo), com exceção da idade. A atual periodicidade de mensuração daalbumina é trimestral e os demais biomarcadores são mensais e - neste estudo, demonstraram estarem adequados no tocanteao seu valor de uso preditivo para óbito. Discussão e Conclusões: A partir dos biomarcadores de pacientes em hemodiálise, este estudo desenvolveu um método preditivo de óbito com rede neural, sendo o primeiro a avaliar tais parâmetros da Diretriz Clínica para esta população. A performance dos modelos foi demonstrada por métricas validadas com resultados promissores. Este fato aponta que a ATS pode se beneficiar com o uso de IA e RWD com grande potencial de aplicabilidade para outras diretrizes clínicas mediante ajustes técnicos. Como perspectivas futuras, pretende-se desenvolver modelos preditivos para internação hospitalar e avaliar diferentes periodicidades de mensuração dos biomarcadores para otimizar custos ao SUS.
Referência(s)