Previsão de lesão por pressão baseado em aprendizado de máquinas para pacientes pediátricos em unidade de terapia intensiva

Introdução: A segurança do paciente tem sido uma preocupação crescente nas últimas décadas, em razão dos danos decorrentes de eventos adversos. No Brasil, o Programa Nacional de Segurança do Paciente, instituído em 2013, tem como objetivo qualificar o cuidado em saúde, com destaque para a prevenção de lesões por pressão. A integridade da pele é essencial para a homeostase, podendo ser comprometida por alterações do microclima, perfusão tecidual reduzida, déficits nutricionais e comorbidades. Na população pediátrica, a vulnerabilidade cutânea é ampliada pela imaturidade e pelo estágio de desenvolvimento, especialmente em contextos críticos. Diante desse cenário, a inteligência artificial emerge como ferramenta promissora para apoiar a predição, o diagnóstico e o prognóstico das lesões cutâneas. Objetivo: Interpretar um modelo preditivo para lesão por pressão desenvolvido por meio de aprendizado de máquina. Método: Trata-se de um estudo de métodos mistos em que, na primeira etapa, foi conduzida uma revisão de escopo, seguida de um estudo transversal, utilizando dados secundários extraídos de prontuários eletrônicos de pacientes internados na unidade de terapia intensiva pediátrica do Hospital das Clínicas de Botucatu, no período de janeiro de 2018 a junho de 2024. Foram incluídas crianças de zero a 14 anos, com tempo mínimo de internação de 24 horas. Analisaram-se variáveis sociodemográficas, clínicas e laboratoriais, uso de medicamentos e o escore da Escala de Braden Q. Os dados foram tratados e organizados em ambiente Python, e a análise estatística foi realizada por meio do teste exato de Fisher e do teste qui-quadrado de Pearson, com o objetivo de identificar associações estatisticamente significativas. As variáveis relevantes foram utilizadas na construção de modelos preditivos empregando Least Absolute Shrinkage and Selection Operator, Análise de Componentes Principais e Random Forest. A validação dos modelos considerou métricas de desempenho como acurácia, recall, área sob a curva ROC e matriz de confusão, sendo os resultados comparados ao desempenho da Escala de Braden Q. O estudo foi aprovado pelo Comitê de Ética em Pesquisa. Resultados: A primeira etapa consistiu em uma revisão de escopo, na qual foram incluídos oito estudos que abordaram diferentes aplicações dessa tecnologia, com predominância de investigações voltadas às lesões por pressão. A segunda etapa correspondeu ao estudo transversal, que envolveu 2.120 pacientes pediátricos, com predominância do sexo masculino (56%), internações de natureza clínica (82,7%) e maior concentração de pacientes com idade inferior a um ano (57,1%), sendo identificado a prevalência de lesão por pressão de 9,1%. Variáveis como tempo de internação, alterações na temperatura corporal e na frequência cardíaca, níveis de creatinina, ureia, plaquetas, hemoglobina, hematócrito e gama-GT, além do uso de opioides, drogas vasoativas, sedativos, corticoides e anti-inflamatórios, apresentaram associação significativa com o desenvolvimento de lesão por pressão. Na construção do modelo preditivo, foram empregados métodos de aprendizado supervisionado e não supervisionado. O método Least Absolute Shrinkage and Selection Operator identificou o tempo de internação, o escore da Escala de Braden Q e o uso de corticoides como as variáveis de maior influência. A Análise de Componentes Principais explicou 64,4% da variabilidade total dos dados. O modelo baseado no algoritmo Random Forest apresentou área sob a curva ROC de 0,75 e elevada sensibilidade de 0,93, superando o desempenho da Escala de Braden Q, cuja área sob a curva foi de 0,53, indicando bom potencial para apoiar a predição do risco de lesão por pressão na população pediátrica. Considerações finais: Os achados confirmaram o caráter multifatorial da lesão por pressão em pacientes pediátricos críticos e indicaram o potencial do modelo preditivo baseado em aprendizado de máquina como ferramenta de apoio à decisão clínica.

Resumo (inglês)

Introduction: Patient safety has become an increasing concern over recent decades due to the harm resulting from adverse events. In Brazil, the National Patient Safety Program, established in 2013, aims to improve the quality of health care, with particular emphasis on the prevention of pressure injuries. Skin integrity is essential for homeostasis and may be compromised by changes in the microclimate, reduced tissue perfusion, nutritional deficits, and comorbidities. In the pediatric population, skin vulnerability is heightened by immaturity and developmental stage, especially in critical care settings. Within this context, artificial intelligence has emerged as a promising tool to support the prediction, diagnosis, and prognosis of skin injuries. Objective: To interpret a predictive model for pressure injury developed using machine learning. Method: This was a mixed-methods study in which the first stage consisted of a scoping review, followed by a cross-sectional study using secondary data extracted from electronic medical records of patients admitted to the pediatric intensive care unit of the Hospital das Clínicas de Botucatu between January 2018 and June 2024. Children aged zero to 14 years with a minimum length of stay of 24 hours were included. Sociodemographic, clinical, and laboratory variables, medication use, and the Braden Q Scale score were analyzed. Data were processed and organized in a Python environment, and statistical analysis was performed using Fisher’s exact test and Pearson’s chi-square test to identify statistically significant associations. Relevant variables were used to build predictive models employing Least Absolute Shrinkage and Selection Operator, Principal Component Analysis, and Random Forest. Model validation considered performance metrics such as accuracy, recall, area under the ROC curve, and confusion matrix, and results were compared with the performance of the Braden Q Scale. The study was approved by the Research Ethics Committee. Results: The first stage consisted of a scoping review, which included eight studies addressing different applications of this technology, with a predominance of investigations focused on pressure injuries. The second stage corresponded to the cross-sectional study, involving 2,120 pediatric patients, with a predominance of males (56%), clinical admissions (82.7%), and a higher concentration of patients under one year of age (57.1%), with a prevalence of pressure injuries identified at 9.1%. Variables such as length of stay, changes in body temperature and heart rate, levels of creatinine, urea, platelets, hemoglobin, hematocrit, and gamma-glutamyl transferase, as well as the use of opioids, vasoactive drugs, sedatives, corticosteroids, and anti-inflammatory agents, showed a significant association with the development of pressure injuries. In building the predictive model, supervised and unsupervised machine learning methods were applied. The Least Absolute Shrinkage and Selection Operator identified length of stay, the Braden Q Scale score, and corticosteroid use as the most influential variables. Principal Component Analysis explained 64.4% of the total data variability. The model based on the Random Forest algorithm achieved an area under the ROC curve of 0.75 and high sensitivity of 0.93, outperforming the Braden Q Scale, which had an area under the curve of 0.53, indicating good potential to support pressure injury risk prediction in the pediatric population. Final considerations: The findings confirmed the multifactorial nature of pressure injuries in critically ill pediatric patients and indicated the potential of a machine learning–based predictive model as a clinical decision-support tool.

Palavras-chave

Pele, Lesão Por Pressão, Aprendizado de Máquina, Algoritmos de Predição, Enfermagem pediátrica, Úlceras por pressão, Federated learning (Aprendizado do computador), Predição (Lógica)

Idioma

Português

Citação

Zanetti, Ângelo Antônio Paulino Martins. Previsão de lesão por pressão baseado em aprendizado de máquinas para pacientes pediátricos em unidade de terapia intensiva. 2026. Dissertação (Mestrado em Enfermagem) - Faculdade de Medicina, Universidade Estadual Paulista (UNESP), Botucatu, 2026.