(BMJ) Identificación de pacientes con trastorno de consumo de opiáceos en urgencias.

https://bmjopen.bmj.com/content/12/9/e059414?rss=1

Fumadores, trastorno psiquiátrico, dolor crónico y consumo de sustancias. La revisión de la historia clínica es más eficiente para su identificación que machine learning.

Objetivos Los departamentos de emergencia (DE) son un importante punto de contacto para las personas con trastorno por uso de opioides (OUD). La detección universal de OUD es costosa y, a menudo, inviable. Se necesita evidencia sobre el cribado selectivo y eficaz. Evaluamos la viabilidad de usar un modelo de aprendizaje automático basado en factores de riesgo para identificar OUD rápidamente entre los pacientes que se presentan en los servicios de urgencias. Diseño/lugares/participantes En este estudio de cohorte, todas las visitas a urgencias entre enero de 2016 y marzo de 2018 para pacientes de 12 años o más se identificaron a partir de datos de registros de salud electrónicos (EHR, por sus siglas en inglés) de un gran sistema de salud universitario. En primer lugar, se utilizó un modelo de regresión logística para describir y dilucidar las asociaciones entre las características clínicas y demográficas de los pacientes y el diagnóstico de OUD. En segundo lugar, se aplicó un clasificador de aumento de gradiente para desarrollar un modelo predictivo para identificar pacientes con riesgo de OUD. El rendimiento predictivo del algoritmo Gradient Boosting se evaluó utilizando las puntuaciones F1 y el área bajo la curva (AUC). Resultado El resultado primario fue el diagnóstico de OUD. Resultados Entre 345 728 visitas de pacientes al servicio de urgencias (edad media (DE) del paciente, 49,4 (21,0) años; 210 045 (60,8 %) mujeres), el 1,16 % tenía un diagnóstico de OUD. Los análisis bivariados indicaron que la historia de OUD fue el predictor más fuerte de OUD actual (OR = 13.4, IC: 11.8 a 15.1). Cuando se excluyó el historial de OUD en modelos multivariados, el uso inicial de medicamentos para OUD (OR = 3,4, IC: 2,9 a 4,0) y la raza blanca (OR = 2,9, IC: 2,6 a 3,3) fueron los predictores más fuertes. El mejor modelo de Gradient Boosting logró un AUC de 0,71, una precisión de 0,96 pero solo una sensibilidad de 0,45. Conclusiones Los pacientes que acuden al servicio de urgencias con OUD son pacientes de alta necesidad que suelen ser fumadores con trastornos psiquiátricos, de dolor crónico y por uso de sustancias. Un modelo de aprendizaje automático no mejoró la capacidad predictiva. Una revisión rápida del historial de OUD del EHR de un paciente es una estrategia eficiente para identificar a aquellos que actualmente tienen mayor riesgo de OUD.