RESUMO Objetivo: Analisar os alarmes críticos preditores de deterioração clínica/sepse para tomada de decisão clínica nos pacientes internados em complexo hospitalar de referência. Métodos: Estudo observacional de coorte retrospectivo. A ferramenta de Machine Learning (ML), Robô Laura®, pontua alterações nos parâmetros vitais e exames laboratoriais, classificando-os por gravidade. Incluíram-se pacientes internados e maiores de 18 anos. Resultados: Extraíram-se 122.703 alarmes da plataforma, classificados de 2 até 9. A pré-seleção dos alarmes críticos (6 a 9) apontou 263 alertas urgentes (0,2%), dos quais, após o filtro de critérios de exclusão, delimitaram se 254 alertas para 61 pacientes internados. A mortalidade dos pacientes por sepse foi de 75%, dos quais 52% devido à sepse relacionada ao novo coronavírus. Após os alarmes serem atendidos, 82% dos pacientes permaneceram nos setores. Conclusões: Muito além da tecnologia, modelos de ML podem agilizar a decisão clínica assertiva dos enfermeiros, otimizando tempos e recursos humanos especializados.
ABSTRACT Objective: To analyze the critical alarms predictors of clinical deterioration/sepsis for clinical decision making in patients admitted to a reference hospital complex. Methods: An observational retrospective cohort study. The Machine Learning (ML) tool, Robot Laura®, scores changes in vital parameters and lab tests, classifying them by severity. Inpatients and patients over 18 years of age were included. Results: A total of 122,703 alarms were extracted from the platform, classified as 2 to 9. The pre-selection of critical alarms (6 to 9) indicated 263 urgent alerts (0.2%), from which, after filtering exclusion criteria, 254 alerts were delimited for 61 inpatients. Patient mortality from sepsis was 75%, of which 52% was due to sepsis related to the new coronavirus. After the alarms were answered, 82% of the patients remained in the sectors. Conclusions: Far beyond technology, ML models can speed up assertive clinical decisions by nurses, optimizing time and specialized human resources.
RESUMEN Objetivo: Analizar alarmas críticas predictoras de deterioración clínica/sepsis para toma de decisiones clínicas en pacientes internados en complejo hospitalario de referencia. Métodos: Estudio observacional de cohorte retrospectivo. La herramienta Machine Learning (ML), Robot Laura®, puntúa alteraciones en parámetros vitales y exámenes laboratoriales, clasificándolos por gravedad. Incluyeron pacientes internados y mayores de 18 años. Resultados: Extrajeron 122.703 alarmas de la plataforma, clasificadas de 2 hasta 9. La preselección de alarmas críticas (6 a 9) apuntó 263 alertas urgentes (0,2%), entre ellas, después del filtro de criterios de exclusión, delimitaron 254 alertas para 61 pacientes internados. La mortalidad de pacientes por sepsis fue de 75%, entre ellos 52% debido a sepsis relacionada al nuevo coronavirus. Después de las alarmas ser atendidas, 82% de los pacientes permanecieron en los sectores. Conclusiones: Más allá de la tecnología, modelos de ML pueden agilizar la decisión clínica asertiva de enfermeros, optimizando tiempos y recursos humanos especializados.