RESUMO
Resumo Objetivo Comparar o desempenho de modelos de aprendizado de máquina com o Medication Fall Risk Score (MFRS) na previsão de risco de queda relacionado a medicamentos prescritos. Métodos Trata-se de um estudo caso-controle retrospectivo de pacientes adultos e idosos de um hospital terciário de Porto Alegre, RS, Brasil. Medicamentos prescritos e classes de medicamentos foram investigados. Os dados foram exportados para o software RStudio para análise estatística. As variáveis foram analisadas por meio dos algoritmos de Regressão Logística, Naive Bayes, Random Forest e Gradient Boosting. A validação do algoritmo foi realizada usando validação cruzada de 10 vezes. O índice de Youden foi a métrica selecionada para avaliar os modelos. O projeto foi aprovado pelo Comitê de Ética em Pesquisa. Resultados O modelo de aprendizado de máquina que apresentou melhor desempenho foi o desenvolvido pelo algoritmo Naive Bayes. O modelo construído a partir de um conjunto de dados de um hospital específico apresentou melhores resultados para a população estudada do que o MFRS, uma ferramenta generalizável. Conclusão Ferramentas de previsão de risco que dependem de aplicação e registro adequados por parte dos profissionais demandam tempo e atenção que poderiam ser alocados ao cuidado do paciente. Modelos de previsão construídos por meio de algoritmos de aprendizado de máquina podem ajudar a identificar riscos para melhorar o atendimento ao paciente.
Resumen Objetivo Comparar el desempeño de modelos de aprendizaje de máquina con Medication Fall Risk Score (MFRS) para la previsión del riesgo de caída relacionado con medicamentos prescriptos. Métodos Se trata de un estudio caso-control retrospectivo de pacientes adultos y adultos mayores de un hospital terciario de Porto Alegre, estado de Rio Grande do Sul, Brasil. Se investigaron los medicamentos prescriptos y las clases de medicamentos. Los datos fueron exportados al software RStudio para el análisis estadístico. Las variables se analizaron a través de los algoritmos de regresión logística Naive Bayes, Random Forest y Gradient Boosting. La validación del algoritmo se realizó usando validación cruzada de 10 veces. El índice de Youden fue la métrica seleccionada para evaluar los modelos. El proyecto fue aprobado por el Comité de Ética en Investigación. Resultados El modelo de aprendizaje de máquina que presentó el mejor desempeño fue el desarrollado por el algoritmo Naive Bayes. El modelo construido a partir de un conjunto de datos de un hospital específico presentó mejores resultados en la población estudiada que el MFRS, una herramienta generalizada. Conclusión Herramientas de previsión de riesgo que dependen de la aplicación y el registro adecuados por parte de los profesionales demandan tiempo y atención que podría ser destinado al cuidado del paciente. Modelos de previsión construidos mediante algoritmos de aprendizaje de máquina pueden ayudar a identificar riesgos para mejorar la atención al paciente.
Abstract Objective To compare the performance of machine-learning models with the Medication Fall Risk Score (MFRS) in predicting fall risk related to prescription medications. Methods This is a retrospective case-control study of adult and older adult patients in a tertiary hospital in Porto Alegre, RS, Brazil. Prescription drugs and drug classes were investigated. Data were exported to the RStudio software for statistical analysis. The variables were analyzed using Logistic Regression, Naive Bayes, Random Forest, and Gradient Boosting algorithms. Algorithm validation was performed using 10-fold cross validation. The Youden index was the metric selected to evaluate the models. The project was approved by the Research Ethics Committee. Results The machine-learning model showing the best performance was the one developed by the Naive Bayes algorithm. The model built from a data set of a specific hospital showed better results for the studied population than did MFRS, a generalizable tool. Conclusion Risk-prediction tools that depend on proper application and registration by professionals require time and attention that could be allocated to patient care. Prediction models built through machine-learning algorithms can help identify risks to improve patient care.