Modelo classificador preditivo para avaliação da carga de trabalho de enfermagem : uma análise secundária de Big Data

Abstract

Introdução: a avaliação da carga de trabalho de enfermagem é utilizada sistematicamente como parâmetro para o dimensionamento adequado de pessoal e para a gestão assistencial, por isso é importante investir em soluções inovadoras para transformar os sistemas de classificação de pacientes em modelos ágeis, objetivos e que possam ser automatizados. Objetivos: desenvolver um modelo classificador preditivo para avaliação da carga de trabalho de enfermagem, com base em registros do prontuário eletrônico de pacientes adultos hospitalizados. Identificar padrões nos dados que caracterizam a dependência de pacientes dos cuidados de enfermagem. Método: estudo observacional retrospectivo, em fontes secundárias de registros eletrônicos de pacientes, com uso de aprendizado supervisionado de máquina. O cenário do estudo incluiu doze unidades clínico-cirúrgicas de um hospital universitário de alta complexidade, que tem como pilares a assistência, o ensino e a pesquisa de excelência, além de uma cultura voltada para a qualidade, segurança e inovação. A amostra por conveniência constituiu-se de 43.871 avaliações de pacientes realizadas por enfermeiras assistenciais com o Sistema de Classificação de Pacientes de Perroca, que serviram como padrão ouro, e dados clínicos estruturados do prontuário eletrônico de 11.774 pacientes, do período 2015 a 2019, que constituíram as variáveis de interesse. A logística dos dados seguiu as etapas do Knowledge Discovery in Databases: estruturação do banco de dados analítico, mineração de dados com o algoritmo Random Forest e identificação de padrões nas variáveis que geraram o modelo classificador. Para a organização e análise dos dados foi utilizada a plataforma de ciência de dados Dataiku® e o software de processamento de Big Data PostgreSQL®. A análise dos dados ocorreu de forma exploratória, descritiva e preditiva. Resultados: a maioria dos pacientes do grande conjunto de dados concentrou-se na classe de cuidados semi-intensivos do Sistema de Classificação de Pacientes de Perroca. As variáveis que mais contribuíram para a predição em cada classe do modelo foram: o tempo de internação nos cuidados mínimos, o cuidado de enfermagem realizar banho de leito nos cuidados intermediários, o diagnóstico de enfermagem risco de quedas nos cuidados semi-intensivos e o cuidado de enfermagem implementar protocolo de prevenção e tratamento de feridas nos cuidados intensivos. O algoritmo classificou corretamente 72% das variáveis e a área sob a curva ROC foi 82%. Conclusão: o uso de algoritmo de aprendizado supervisionado de máquina possibilitou o desenvolvimento do modelo classificador de avaliação da carga de trabalho de enfermagem com dados do prontuário eletrônico do paciente. O Randon Forest identificou os padrões nos dados que caracterizam a dependência de pacientes dos cuidados de enfermagem, categorizando as variáveis nas classes às quais pertencem e demonstrando que técnicas de inteligência artificial podem ser efetivas para a automatização desta atividade.

Introduction: Nursing workload assessments are systematically used as a parameter for adequate staffing and for care management; for this reason, it is important to invest in innovating solutions to turn patient classification systems into dynamic and objective models capable of being automated. Objectives: to develop a predictive classification model for Nursing workload assessments, based on electronic medical records of hospitalized adult patients, as well as to identify patterns in the data that characterize patients' dependence on Nursing care. Method: an observational and retrospective study conducted in secondary sources consisting of patients' electronic medical records, using supervised machine learning. The study setting included twelve clinical-surgical units of a high-complexity university hospital, with excellence in assistance, teaching and research as pillars, in addition to a culture targeted at quality, safety and innovation. The convenience sample was comprised by 43,871 evaluations of patients performed by clinical care nurses with the Perroca Patient Classification System, which served as the gold standard, as well as with structured clinical data from the electronic medical records of 11,774 patients from 2015 to 2019, which constituted the variables of interest. Data logistics followed the stages set forth in Knowledge Discovery in Databases: structuring of the analytical database, data mining with the Random Forest algorithm and identification of patterns in the variables that generate the classification model. The Dataiku® Data Science platform and the PostgreSQL® Big Data processing software program were used for data organization and analysis. Data analysis was exploratory, descriptive and predictive. Results: most of the patients from the Big Data set were concentrated in the semi-intensive care class from the Perroca Patient Classification System and the variables that most contributed to the prediction in each class of the model were as follows: hospitalization time in minimal care; nursing performing bed baths in intermediate care; risk of falls nursing diagnosis in semi-intensive care; and nursing implementing a wound prevention and treatment protocol in intensive care. The algorithm correctly classified 72% of the variables and the area under the ROC curve was 82%. Conclusion: using the supervised machine learning algorithm enabled developing the classification model for nursing workload assessments with data from patients' electronic medical records. The Random Forest identified the patterns in the data that characterize the patients' dependence on nursing care, categorizing the variables in the classes to which they belong and showing that artificial intelligence techniques can be effective to automate this activity.

Introducción: las evaluaciones de la carga de trabajo en Enfermería se utilizan sistemáticamente como parámetro para dimensionar correctamente el personal y para la gestión asistencial; por ese motivo, es importante invertir en soluciones innovadoras con el fin de transformar los sistemas de clasificación de pacientes en modelos dinámicos, objetivos y que puedan automatizarse. Objetivos: desarrollar un modelo predictivo de clasificación para evaluaciones de la carga de trabajo en Enfermería, sobre la base de registros de historias clínicas de pacientes adultos internados, al igual que identificar patrones en los datos que caracterizan la dependencia de los pacientes en la atención de Enfermería. Método: estudio observacional y retrospectivo realizado en fuentes secundarias conformadas por historias clínicas electrónicas de pacientes, empleando aprendizaje automático supervisado. El escenario del estudio incluyó doce unidades clínico-quirúrgicas de un hospital universitario de alta complejidad, cuyos pilares son asistencia, enseñanza e investigación de excelencia, además de una cultura dirigida a la calidad, la seguridad y la innovación. La muestra por conveniencia estuvo compuesta por 43.871 evaluaciones de pacientes realizadas por enfermeras asistenciales con el Sistema de Clasificación de Perroca, que sirvieron como patrón de oro, al igual que por datos clínicos estructurados de las historias clínicas de 11.774 pacientes entre 2015 y 2019, que constituyeron las variables de interés. La logística de los datos siguió las etapas indicadas en Knowledge Discovery in Databases: estructuración de la base de datos analítica, minería de datos con el algoritmo Random Forest e identificación de patrones en las variables que generan el modelo de clasificación. Para organizar y analizar los datos se utilizaron la plataforma de Ciencia de Datos Dataiku® y el programa de software de procesamiento de Big Data PostgreSQL®. El análisis de los datos se realizó en forma exploratoria, descriptiva y predictiva. Resultados: la mayoría de los pacientes del conjunto de Big Data se concentró en la clase de cuidados semi- intensivos del Sistema de Clasificación de Pacientes de Perroca y las variables que más contribuyeron a las predicciones en cada clase del modelo fueron las siguientes: tiempo de internación en cuidados mínimos; el hecho de que el personal de Enfermería higienizara pacientes en la cama en cuidados intermedios; el diagnóstico de enfermería riesgo de caídas en cuidados semi-intensivos; y el hecho de que el personal de enfermería implementara un protocolo de prevención y tratamiento de heridas en cuidados intensivos. El algoritmo clasificó correctamente el 72% de las variables y el área por debajo de la curva ROC fue del 82%. Conclusión: utilizar el algoritmo de aprendizaje automático aupervisado permitió desarrollar el modelo de clasificación para evaluaciones de la carga de trabajo en Enfermería con datos de las historias clínicas de los pacientes. El Random Forest identificó los patrones en los datos que caracterizan la dependencia de los pacientes en la atención de Enfermería, categorizando así las variables en las clases a las que pertenecen y demostrando que las técnicas de inteligencia artificial pueden ser efectivas para automatizar esta actividad.