Development and validation of a machine learning model for classification of next glucose measurement in hospitalized patients

 Zale, A. D., Abusamaan, M. S., McGready, J., & Mathioudakis, N.

 

EClinicalMedicine 2022, Feb 4, 44:101290.

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00020-7/fulltext

 

Diabetes Mellitus tipo 2 é uma doença bastante prevalente na população geral, e, devido ao aumento significativo no risco de internação, é mais prevalente ainda em uma população hospitalizada. Nesta população, controle glicêmico adequado pode ser desafiador devido à presença de diversos fatores influenciando o perfil glicêmico de maneira multidirecional (infecção, corticoide, NPO, alterações de função renal), causando uma taxa substancial de hipo ou hiperglicemias. Existem modelos preditivos que buscam reduzir estas taxas, mas com custos e com dificuldade de implementação em certas populações. A proposta dos autores deste artigo é o desenvolvimento de um modelo preditivo para classificação da próxima medida de glicemia capilar do paciente em hipoglicemia, hiperglicemia ou normoglicemia, a fim de fornecer suporte para decisões clínica da equipe assistente

Para isso, os autores utilizam dados de prontuário, incluindo características dos paciente, sinais vitais, exames laboratoriais e histórico de glicemias como variáveis em diversos algoritmos de Machine Learning, buscando o melhor método para gerar um modelo preditivo do valor da próxima glicemia, obtendo melhores resultados com o método de Random Forest Classifier. A população do artigo foi obtida através de um critério bastante amplo, incluindo todos o pacientes com pelo menos 4 medidas de glicemia capilar e que receberam pelo menos 1 unidade de insulina durante a internação, em 5 hospitais da rede Johns Hopkins.

Os resultados do estudo indicam que o modelo preditivo é capaz de geral uma taxa de verossimilhança positiva adequada para eventos de hipoglicemia ou hiperglicemia, comparável com a performance de aplicativos comercias, mas com a vantagem de ser aplicável a pacientes críticos, não necessitar de dados de monitorização contínua de glicose, e fornecer uma predição em um horizonte de tempo relevante para decisão clínica. Limitações incluíram a pior performance em pacientes com diagnóstico prévio de diabetes, a alta taxa de alarmes falsos para hipoglicemia, e a impossibilidade de verificação de melhora em desfechos do modelo devido ao caráter retrospectivo do estudo. Pontos discutidos no Clube incluíram:

• Inclusão e n muito grande de pacientes podendo ocasionar um modelo mais útil para pacientes que não necessitariam de predição;

• Ausência de clareza de uma sigla presente na figura 4;

• Limitação da utilidade prática do modelo em pacientes que já estão sendo acompanhados por médico com experiência em controle glicêmico;

• Sensibilidade comprometida para detecção de hipoglicemias em pacientes com diagnóstico prévio de diabetes;

• Maior clareza caso fossem apresentados, junto às tabelas de sensibilidade e especificidade, número de verdadeiros/falsos positivos/negativos do modelo em cada faixa de glicemia.

 

Pílula do Clube: este estudo demonstrou a viabilidade de um modelo de predição de glicemia gerado por random forest classifier baseado em dados clínicos disponíveis no prontuário, porém com aplicabilidade limitada em população de maior risco e necessidade de estudo clínico demonstrando melhora em desfecho.

 

Discutido no Clube de Revista de 27/06/2022.