A admissão hospitalar de emergência é um problema global de saúde pública, associado a piores desfechos para os pacientes e sobrecarga dos sistemas de saúde. Modelos preditivos baseados em registros eletrônicos de saúde (EHRs) já demonstraram potencial para prever hospitalizações, mas geralmente exigem um grande número de variáveis clínicas. Um estudo recente publicado no The Lancet Digital Health desenvolveu um novo modelo de aprendizado de máquina que utiliza padrões temporais nos dados administrativos dos pacientes, permitindo prever com alta precisão o risco de internação emergencial. Principais Descobertas do Estudo 1. Identificação de Padrões Temporais para Predição de Internação A análise de 1,37 milhão de pacientes no País de Gales revelou seis padrões distintos de interação com os serviços de saúde. Esses padrões foram associados a diferentes riscos de hospitalização, permitindo a identificação de grupos de alto risco. 2. Modelo Preditivo de Alta Precisão O modelo mais eficaz, baseado em redes neurais (MLP), alcançou uma área sob a curva ROC (AUROC) de 0,82 e precisão de 0,94. Esse desempenho foi equivalente a modelos convencionais que utilizam 33 variáveis clínicas, mas com a vantagem de exigir apenas seis variáveis administrativas básicas. 3. Comparação com Métodos Tradicionais O novo modelo de IA superou…...
