Modelos de previsão para o Delirium In-Hospital usando dados de registro eletrônico de saúde de coleta de rotina: Revisão sistemática

Revisão sistemáticaNível 1 · Evidência consolidadaJMIR medical informatics16 set 20260 citações

O que aconteceu

O delirium é uma forma comum e clinicamente importante de deterioração do estado mental hospitalar agudo. Modelos de predição baseados em registros eletrônicos de saúde (EHR) podem apoiar a identificação precoce e prevenção direcionada, mas sua qualidade metodológica, rigor de validação e prontidão clínica permanecem incertos. Esta revisão sistemática teve como objetivo sintetizar e avaliar criticamente modelos de predição de delirium intra-hospitalar desenvolvidos utilizando dados de RHE rotineiramente coletados, com foco em características do modelo, estratégias de validação, desempenho, risco de viés e aplicabilidade clínica. Pesquisamos PubMed, MEDLINE, Embase, PsycINFO e Web of Science desde o início até 11 de novembro de 2025. Estudos elegíveis desenvolveram, validaram ou avaliaram modelos de predição multivariáveis utilizando dados rotineiramente coletados de RHE ou administrativos para predizer deterioração do estado mental agudo durante internações hospitalares adultas. Embora os critérios de elegibilidade fossem amplos, todos incluíram estudos operacionalizados deterioração como delirium. A extração de dados foi informada por CHARMS (Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modeling Studies) e TRIPOD (Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis) ou orientação de inteligência artificial TRIPOD. Características de desempenho do modelo, validação, calibração e implementação foram sintetizadas narrativamente. O risco de viés e aplicabilidade foi avaliado utilizando o PROBAST (Prediction Model Risk of Bias Assessment Tool).

O que encontraram

Vinte e nove estudos atenderam aos critérios de inclusão. As evidências agruparam-se em 4 tarefas de predição sobrepostas: estratificação de risco de admissão ou estadia precoce, predição perioperatória ou pós-operatória, predição dinâmica de unidade de terapia intensiva e validação externa ou avaliação de fluxo de trabalho das ferramentas existentes. A maioria dos estudos foram coortes retrospectivas (20/29; 69%) e foram conduzidos em enfermaria geral, unidade de terapia intensiva de enfermaria mista, unidade de terapia intensiva ou pronto atendimento. Aprendizado de máquina ou abordagens híbridas foram comuns (18/29, 62%), mas modelos mais complexos não superaram consistentemente abordagens estatísticas ou baseadas em regras. Dos 29 estudos, a discriminação interna foi relatada em 24 (83%; área sob a curva característica de operação receptora variação de 0,77-0,97), enquanto a discriminação externa foi relatada em 12 estudos e calibração em 15 estudos. A análise da curva de decisão foi relatada em 3 estudos, e avaliação prospectiva ou integração do fluxo de trabalho permaneceram limitadas. O risco global de viés foi baixo em 8 estudos, pouco claro em 10 estudos e alto em 11 estudos, principalmente devido às limitações de análise-domínio.

Por que isso importa

Dados de RHE coletados rotineiramente podem apoiar a predição de risco de delirium em ambientes hospitalares, e muitos modelos mostram discriminação moderada a alta. No entanto, nenhum algoritmo está pronto para adoção de rotina. O campo permanece limitado por tarefas de predição heterogêneas, verificação de resultados inconsistentes, calibração fraca e relato analítico de decisão e avaliação externa ou prospectiva insuficiente. Estudos futuros devem definir o caso de uso clínico pretendido antes do desenvolvimento do modelo, avaliar a calibração e a utilidade clínica ao lado da discriminação e testar modelos entre instituições, períodos de tempo e fluxos de trabalho antes da implantação.

Tradução automática do resumo original, publicado em JMIR medical informatics sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.