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

• Autor(a) principal: Rosa, Ninon Girardon da
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/266861
• topic: Carga de trabalho; Informática em enfermagem; Registros eletrônicos de saúde; Inteligência artificial; Aprendizado de máquina; Workload; Informatics in nursing; Electronic health records; Artificial intelligence; Machine learning; Carga de trabajo; Informática en enfermería; Registros médicos electrónicos; Aprendizaje automático

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.