| Resumo: | INTRODUÇÃO: As quedas podem ser uma das consequências do uso de fármacos de risco e/ou de interações medicamentosas. O aprendizado de máquina possibilita novas abordagens na identificação de riscos. Foi identificada somente uma ferramenta que avalia o risco de queda relacionado ao uso de medicamentos. Não foram identificados estudos que analisem os medicamentos como fatores de risco para quedas por meio de aprendizado de máquina. OBJETIVO: Avaliar o desempenho de modelos de predição do risco de quedas relacionado aos medicamentos prescritos em adultos e idosos hospitalizados por meio de aprendizado de máquina. MÉTODO: Estudo de caso-controle, retrospectivo, com adultos e idosos hospitalizados no Hospital Nossa Senhora da Conceição no ano de 2016. Foram investigados a idade, os medicamentos prescritos e as classes medicamentosas. Os dados foram exportados para o software RStudio para análise estatística. O projeto foi aprovado pela Comissão Científica da Escola de Medicina da Pontifícia Universidade Católica do Rio Grande do Sul e está vinculado ao projeto guarda-chuva intitulado “Detecção automática de eventos adversos utilizando processamento de linguagem natural nos prontuários eletrônicos de um hospital terciário”, aprovado pelo Comitê de Ética em Pesquisa. RESULTADOS: Os modelos de predição desenvolvidos por meio de aprendizado de máquina apresentaram melhor desempenho em relação a um modelo generalizável existente. Os modelos desenvolvidos por meio do algoritmo gradient boosting, em geral, apresentaram melhor performance em relação aos demais. Os modelos com melhor performance na população apresentaram queda no desempenho, quando aplicados ao subgrupo de idosos. DISCUSSÃO: O presente estudo comprovou que, na população estudada, um modelo construído a partir de um conjunto de dados de um hospital específico apresenta resultados melhores em relação a uma ferramenta generalizável. Ferramentas como o Medication Fall Risk Score são restritas a algumas variáveis, considerando que os próprios profissionais da saúde devem avaliar e calcular o escore. O preenchimento dessas ferramentas exige tempo e dedicação dos profissionais, que poderiam ser aplicados na assistência. Destacaram-se os modelos construídos a partir do algoritmo Gradient Boosting, tanto com os medicamentos como variáveis, quanto com as classes medicamentosas. Quando aplicados na amostra de idosos, os modelos construídos com base na população apresentaram queda na performance. Portanto, optou-se por desenvolver um modelo específico para essa amostra. CONCLUSÃO: Modelos de predição construídos por meio de algoritmos de aprendizado de máquina podem auxiliar na identificação de riscos e aprimorar a assistência prestada aos pacientes. O trabalho dos profissionais da saúde não será substituído e o tempo despendido na aplicação de escalas pode ser direcionado a outros aspectos importantes da assistência à saúde.
INTRODUCTION: Falls may be one of the consequences of the use of risky drugs and/or drug interactions. Machine learning enables new approaches to risk stratisfication. Only one tool that assesses the risk of fall related to medication use was identified. Studies analyzing drugs as risk factors for falls through machine learning were not detected. OBJECTIVE: To evaluate the performance of models for predicting the risk of falls related to drugs prescribed in hospitalized adults and elderly people through machine learning. METHOD: Retrospective case-control study with adults and elderly people hospitalized at Hospital Nossa Senhora da Conceição in 2016. Age, prescribed drugs and drug classes were investigated. Data were exported to RStudio software for statistical analysis. The project was approved by the Scientific Committee of the School of Medicine of Pontifical Catholic University of Rio Grande do Sul and is linked to the umbrella project entitled “Detecção automática de eventos adversos utilizando processamento de linguagem natural nos prontuários eletrônicos de um hospital terciário”, approved by Research Ethics Committee. RESULTS: Prediction models developed through machine learning presented better performance when compared to an existing generalizable model. The models developed through gradient boosting algorithm, in general, presented better performance in relation to the others. The models that performed better in the population showed a decrease in performance when applied to the elderly subgroup. DISCUSSION: The present study proved that, in the study population, a model built from a dataset of a specific hospital presents better results in relation to a generalizable tool. Tools such as the Medication Fall Risk Score are restricted to a few variables, considering that health professionals must evaluate and calculate the score. Filling out these tools requires time and dedication from professionals, which could be applied in assistance. The models built through the gradient boosting algorithm stood out, with both drugs and drug classes variables. When applied to the elderly sample, the models built based on the population showed a decrease in performance. Therefore, it was decided to develop a specific model for this sample. CONCLUSION: Prediction models built through machine learning algorithms can help identify risk and improve patient care. The work of health professionals will not be replaced and the time spent on the application of scales can be directed to other important aspects of health care. |
