Modelos Preditivos de Machine Learning no Risco de Desnutrição Hospitalar

A desnutrição hospitalar é uma preocupação crítica, afetando entre 30% e 50% dos pacientes adultos em enfermarias e UTIs. A identificação desse risco geralmente depende de triagens manuais, como NRS-2002, MUST ou ASG, que enfrentam desafios como atrasos e baixa sensibilidade para detectar deteriorações nutricionais precoces nas primeiras 48 horas de internação. Essa realidade pode levar a diagnósticos tardios, onde o nutricionista é acionado apenas quando a desnutrição já se manifestou em formas graves, como sarcopenia ou úlceras por pressão.

A implementação de modelos preditivos baseados em inteligência artificial e machine learning, integrados aos prontuários eletrônicos, promete revolucionar a detecção do risco nutricional. Esses algoritmos processam dados clínicos em tempo real, permitindo que a equipe multiprofissional intervenha precocemente, melhorando os desfechos clínicos. Este artigo analisa a arquitetura desses modelos, sua validação e a ética de sua aplicação na prática clínica.

O Gargalo da Triagem Nutricional Manual Hospitalar

As diretrizes da ESPEN, ASPEN e BRASPEN recomendam triagens nutricionais formais em até 48 horas após a admissão. Contudo, menos de 40% dos pacientes elegíveis recebem essa triagem no prazo. A falta de profissionais, a alta rotatividade de leitos e a dificuldade em coletar informações precisas limitam a eficácia dos questionários tradicionais. Como resultado, muitos pacientes são diagnosticados apenas quando a desnutrição já está avançada, comprometendo seu prognóstico.

Fontes de Dados e Engenharia de Atributos Clínicos

Os modelos preditivos superam a fragilidade da coleta manual ao utilizar dados estruturados e não estruturados já registrados nos sistemas hospitalares. A engenharia de atributos combina variáveis biológicas relevantes, como:

• Parâmetros laboratoriais: albumina, pré-albumina, PCR, contagem de linfócitos, entre outros.
• Sinais vitais: frequência cardíaca, pressão arterial, saturação de oxigênio.
• Dados demográficos: idade, comorbidades, diagnóstico principal.
• Variáveis de hospitalização: tempo desde a admissão, períodos de jejum.

Essas variáveis são analisadas em janelas temporais, permitindo calcular a velocidade de variação de biomarcadores inflamatórios, o que fornece uma avaliação mais precisa do risco nutricional.

Algoritmos Supervisionados: Random Forest, XGBoost e Redes Neurais

Diferentes algoritmos de machine learning são utilizados para prever o risco de desnutrição, com destaque para o XGBoost, que lida bem com dados ausentes e modela interações complexas. As florestas aleatórias oferecem robustez contra sobreajuste, enquanto redes neurais são utilizadas para processar dados textuais não estruturados, extraindo informações relevantes para complementar os escores numéricos.

Métricas de Desempenho: AUROC, Precisão e Calibração

A avaliação da eficácia de um modelo preditivo exige métricas rigorosas. A AUROC mede a capacidade do modelo em distinguir entre pacientes que desenvolverão desnutrição e aqueles que permanecerão estáveis. Modelos bem validados alcançam AUROC entre 0,86 e 0,93, superando os escores manuais que variam entre 0,68 e 0,75. Além disso, a calibração estatística é crucial para garantir que as probabilidades preditas correspondam à realidade clínica, evitando falsos positivos e negativos.

O aprofundamento contínuo nas diretrizes de Tecnologia em Nutrição fortalece a conduta do profissional. O engajamento diário do paciente entre as consultas torna-se muito mais simples com um aplicativo para nutricionista integrado ao plano alimentar. A automação inteligente de tarefas repetitivas é detalhada no guia sobre inteligência artificial na rotina do nutricionista.

Explicabilidade dos Modelos: Valores SHAP e Auditoria Clínica

Um desafio na adoção de inteligência artificial é a falta de transparência nos modelos, frequentemente descritos como "caixas-pretas". Para construir confiança, é fundamental que os profissionais de saúde compreendam como as predições são geradas. O uso de valores SHAP ajuda a explicar a contribuição de cada variável na decisão do modelo, permitindo uma auditoria clínica mais eficaz e a integração da IA na prática assistencial.

Integração em Tempo Real ao Prontuário e Alertas da EMTN

A integração dos modelos preditivos aos prontuários eletrônicos possibilita o monitoramento contínuo do risco nutricional, gerando alertas para a equipe multiprofissional. Essa abordagem proativa facilita intervenções rápidas, potencializando a eficácia do tratamento nutricional e melhorando os resultados para os pacientes.

Mitigação de Vieses, Segurança do Paciente e LGPD

A implementação de machine learning na saúde deve considerar a mitigação de vieses e a segurança dos dados. A conformidade com a LGPD é essencial para proteger as informações dos pacientes, garantindo que a aplicação da tecnologia não comprometa a ética e a privacidade.

Estudo de Caso: Redução de Internação em Hospital Terciário

Um estudo de caso demonstrou que a utilização de modelos preditivos resultou em uma significativa redução do tempo de internação em um hospital terciário, através da identificação precoce de pacientes em risco de desnutrição e a implementação de intervenções nutricionais adequadas.

Outro aspecto indispensável para o sucesso terapêutico no consultório é examinar as evidências de Biomarcadores de Inflamação e Desnutrição Hospitalar: O Papel dos Critérios GLIM na Prática Clínica. Além disso, as intervenções dietéticas ganham ainda mais sustentação quando alinhadas às diretrizes de Modelos de Inteligência Artificial para Triagem de Interações Medicamento-Nutriente no Consultório.