Modelo computacional utilizando Machine Learning para predição da adesão do paciente cardiopata à reabilitação cardíaca

Abstract

Introdução: A Reabilitação Cardíaca constitui um dos principais pilares no tratamento para pacientes cardiopatas. Contribui com a melhora da capacidade funcional, diminui as chances de novos eventos cardíacos e melhora a qualidade de vida. Entretanto, os baixos índices de adesão dos pacientes em programas de reabilitação cardíaca ainda preocupam. Compreender estes fatores determinantes na adesão por meio de aplicações que utilizam a inteligência artificial torna o processo mais ágil, eficiente e menos susceptível a vieses. Técnicas como árvores de classificação e regressão e Randon Forest traz consigo a simplicidade da implementação, facilidade de interpretação associado a robustez de operar com grandes e pequenos volume de dados. Objetivo: Desenvolver um modelo computacional utilizando Machine Learning para predizer a adesão do paciente a um programa de Reabilitação Cardíaca presencial em centros de reabilitação nas fases 2 e 3. Métodos: Estudo transversal. Este estudo foi aprovado pelo Comitê de Ética da UFPE sob o no do parecer: 6.492.334. Foram coletados 42 itens dos prontuários de pacientes cardiopatas, de ambos os sexos, com idade ≥ 18 anos, atendidos presencialmente em centros de reabilitação cardíaca nas fases II e/ou III, na cidade de Recife/PE. A coleta dos dados ocorreu no período de Julho/2023 a Maio/2024 e foi utilizado um formulário eletrônico preenchido pela pesquisadora no momento da coleta. Os dados foram armazenados em uma planilha e compreenderam um período total de 10 anos de atendimento nos centros pesquisados. Para determinar o conjunto de melhores variáveis preditoras para este cenário foi utilizado o feature selection. O modelo computacional foi desenvolvido com as técnicas de Árvore de Classificação e Regressão e Randon Forest. Para avaliação de desempenho utilizamos as métricas de acurácia, precisão, sensibilidade, especificidade, f-score e coeficiente de correlação de Matthews. Para visualização dos resultados utilizamos as ferramentas de matriz de confusão e o gráfico da curva característica de operação de receptor. Resultados: No total foram coletados dados de 150 prontuários de pacientes cardiopatas. Desta amostra, 80 prontuários correspondiam a dados de prontuários de pacientes em andamento e 70 prontuários eram de pacientes finalizados e apenas estes foram utilizados compondo a amostra final. O conjunto de treinamento era composto de 80% da amostra final e o conjunto de teste, 20%. Consideramos o melhor modelo aquele que atingiu o valor da acurácia ≥ 80%. Dois modelos foram desenvolvidos com as técnicas de Árvores de Classificação e Regressão e Randon Forest. Para o modelo implementado com árvore de classificação o valor da

12

acurácia foi igual a 78%. O modelo com Randon Forest atingiu o percentual de acurácia ≥ 86%. Conclusão: Podemos afirmar que no cenário, com pacientes cardiopatas adultos, participantes da reabilitação presencial, nas fases 2 e/ou 3, em centros de reabilitação, na cidade de Recife/PE, os valores de acurácia podem ser considerados satisfatórios para predizer a adesão destes pacientes. Ressaltamos a necessidade da continuidade dos estudos para expansão no campo de variáveis analisadas de acordo com o contexto dos atendimentos, assim como garantir o aprimoramento do modelo e validação em cenário reais.