Antecedentes: O rápido surgimento de cepas de microrganismos multirresistentes, tem sido associado principalmente ao uso indiscriminado dos antimicrobianos. Utilizar ferramentas baseadas em inteligência artificial que possam qualificar a tomada de decisões, pode subsidiar a prescrição de antimicrobianos, através do processamento de informações úteis para melhoria da qualidade do atendimento à pacientes internados por infecção.
Objetivo: Elaborar um modelo preditivo de falha terapêutica com antimicrobianos baseado em aprendizado de máquina, que possa ser utilizado em um sistema de suporte à decisão para a prescrição de antimicrobianos.
Métodos: Trata-se de um estudo de modelagem preditiva realizado a partir dos dados de uma coorte concorrente conduzida no serviço de emergência de um hospital brasileiro. Foram coletadas informações anteriores à hospitalização com os participantes e dados de evolução no internamento foram avaliados para definição da falha terapêutica, variável dependente do estudo. As variáveis que apresentaram p valor ≤ 0,200 no teste de qui-quadrado com o desfecho de interesse foram incluídas no modelo. Comparou-se algoritmos de árvore de decisão, redes neurais e regressão logística pela técnica hold out. Para determinar o modelo de melhor acurácia, considerou-se o que atingiu exatidão mínima de 70% e o desempenho na AUC ROC.
Resultados: O banco de dados foi composto por 123 participantes. O modelo de melhor acurácia e capacidade discriminatória foi o de rede neural (exatidão: 75,9%; AUC ROC: 0,782).
Conclusão: O modelo preditivo obtido apresentou boa acurácia na predição de falha terapêutica para pacientes admitidos com diagnóstico ou suspeição de infecção bacteriana. A ampliação da base de dados deve melhorar a capacidade do modelo e possibilitar a criação de uma ferramenta de apoio à prescrição de antimicrobianos no serviço de emergência.
Background: The rapid emergence of strains of multi-resistant microorganisms has
been associated mainly with the indiscriminate use of antimicrobials. Using tools based
on artificial intelligence that can qualify decision-making, can subsidize the prescription
of antimicrobials, through the processing of useful information to improve the quality of
care for patients hospitalized for infection.
Objective: Develop a predictive model of therapeutic failure with antimicrobials based
on machine learning, which can be used in a decision support system for prescribing
antimicrobials.
Methods: This is a predictive modeling study carried out using data from a competing
cohort conducted in the emergency department of a Brazilian hospital. Information was
collected prior to hospitalization with the participants and data on the evolution of
hospitalization were evaluated to define the therapeutic failure, a dependent variable
of the study. The variables that presented p value ≤ 0.200 in the chi-square test with
the outcome of interest were included in the model. Decision tree algorithms, neural
networks and logistic regression were compared using the hold out technique. To
determine the model with the best accuracy, we considered the one that reached a
minimum accuracy of 70% and the performance in the AUC ROC.
Results: The database was composed of 123 participants. The model with the best
accuracy and discriminatory capacity was the neural network (accuracy: 75.9%; AUC
ROC: 0.782).
Conclusion: The predictive model obtained showed good accuracy in predicting
therapeutic failure for patients admitted with a diagnosis or suspicion of bacterial
infection. The expansion of the database should improve the model's capacity and
enable the creation of a tool to support the prescription of antimicrobials in the
emergency department
