Predicting readmissions to the intensive care unit based on data available at the time of arrival : a classification approach
View/ Open
Date
2020Author
Advisor
Academic level
Master
Type
Title alternative
Prevendo readmissões na unidade de terapia intensiva com base nos dados disponíveis no momento da chegada: uma abordagem de classificação
Subject
Abstract
Critically ill patients constitute the most heterogeneous population in hospitals, with the highest rates of acute and chronic multimorbidity. Determining which patients are ready for discharge from an Intensive Care Unit (ICU) presents a huge challenge, as ICU readmissions are associated with several negative outcomes such as increased mortality, length of stay, and cost compared to those patients who are not readmitted during their hospital stay. Premature ICU discharge may result in inadequa ...
Critically ill patients constitute the most heterogeneous population in hospitals, with the highest rates of acute and chronic multimorbidity. Determining which patients are ready for discharge from an Intensive Care Unit (ICU) presents a huge challenge, as ICU readmissions are associated with several negative outcomes such as increased mortality, length of stay, and cost compared to those patients who are not readmitted during their hospital stay. Premature ICU discharge may result in inadequate levels of monitoring, which leads to readmission into the ICU. The main goal of this work is to predict the risk of readmission after ICU discharge using characteristics available at the patient’s admission. We analyzed an anonymized dataset with 17,786 adult patients from three ICUs in two Brazilian university hospitals. To evaluate the readmitted patients, we excluded the 3,765 deceased patients during their first ICU admission. Our final dataset contained 14,021 patients. Of those, 1,149 patients (8.1%) have been readmitted to the ICU and made up our positive class. We obtained a set of 134 attributes, including demographics, length of stay prior to ICU admission, comorbidities, severity indexes, interventions, organ support care during ICU stay, and laboratory results. We tested six classification algorithms (including Bayesian algorithms, decision trees, rule-based, and ensemble methods) over different sets of attributes and evaluated their results based on six metrics. Our results show that predictions made solely based on the attributes collected at the admission are highly accurate. Their quality in terms of prediction is no different from predictions made using the complete set of attributes for our dataset. We conclude that the patient’s characteristics present at ICU admission were good predictors of ICU readmissions. Further research is needed to determine whether these findings are consistent in other settings with other datasets and compared to the performance of prediction tools using data at ICU discharge as an alternative or an additive approach. ...
Abstract in Portuguese (Brasil)
Pacientes críticos constituem a população mais heterogênea nos hospitais, com as maiores taxas de comorbidades agudas e crônicas. A determinação de quais pacientes estão prontos para alta de uma Unidade de Terapia Intensiva (UTI) apresenta um grande desafio, pois as readmissões na UTI estão associadas a vários resultados negativos, como aumento da mortalidade, tempo de internação e custo em comparação com os pacientes que não são readmitidos durante a internação hospitalar. A alta precoce da UT ...
Pacientes críticos constituem a população mais heterogênea nos hospitais, com as maiores taxas de comorbidades agudas e crônicas. A determinação de quais pacientes estão prontos para alta de uma Unidade de Terapia Intensiva (UTI) apresenta um grande desafio, pois as readmissões na UTI estão associadas a vários resultados negativos, como aumento da mortalidade, tempo de internação e custo em comparação com os pacientes que não são readmitidos durante a internação hospitalar. A alta precoce da UTI pode resultar em níveis inadequados de monitoramento, o que leva à readmissão na UTI. O objetivo deste trabalho é prever o risco de readmissão após a alta da UTI, usando características na admissão do paciente. Analisamos um conjunto de dados anonimizado com 17.786 pacientes adultos de três UTIs em dois hospitais universitários brasileiros. Para avaliar os pacientes readmitidos, foram excluídos 3.765 pacientes falecidos durante a primeira internação na UTI. Nosso conjunto de dados final contém 14.021 pacientes. Desses, 1.149 pacientes (8,1 %) foram readmitidos na UTI e compõem nossa classe positiva. Obtivemos um conjunto de 134 atributos, incluindo dados demográficos, tempo de internação antes da internação na UTI, comorbidades, índices de gravidade, intervenções, terapias de suporte a internação na UTI e resultados laboratoriais. Testamos seis algoritmos de classificação (incluindo algoritmos bayesianos, árvores de decisão, métodos baseados em regras e ensemble) em diferentes conjuntos de atributos e avaliamos seus resultados com base em seis métricas. Nossos resultados mostram que as previsões feitas exclusivamente com base nos atributos coletados na admissão são altamente precisas. Sua qualidade em termos de previsão não difere das previsões feitas usando o conjunto completo de atributos para nosso conjunto de dados. É possível concluir, portanto, que as características do paciente presentes na admissão na UTI foram capazes de prever a readmissão na UTI. Mais pesquisas são necessárias para determinar se esses achados são consistentes em outros conjuntos de dados e comparados ao desempenho das ferramentas de previsão usando dados na alta da UTI como uma alternativa ou uma abordagem adicional. ...
Institution
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Programa de Pós-Graduação em Computação.
Collections
-
Exact and Earth Sciences (5135)Computation (1765)
This item is licensed under a Creative Commons License