Modelo de aprendizado de máquina prevê rotatividade de médicos

A rotatividade de médicos é prejudicial para os pacientes e dispendiosa para as unidades de saúde e para os médicos. Em um novo estudo, os pesquisadores de Yale usaram o aprendizado de máquina para revelar os fatores – incluindo a duração do mandato de um médico, sua idade e a complexidade de seus casos – que podem aumentar os riscos de tal rotatividade.

Avaliando os dados de um grande sistema de saúde dos EUA durante um período de quase três anos, eles foram capazes de prever, com 97% de precisão, as chances de afastamento do médico. As descobertas, dizem os pesquisadores, fornecem informações que podem ajudar os sistemas de saúde a intervir antes que os médicos decidam sair, a fim de reduzir a rotatividade.

O estudo foi publicado em 1º de fevereiro na PLOS UM.

Enquanto estabelecimentos de saúde normalmente usam pesquisas para rastrear o esgotamento médico e satisfação no trabalhoo novo estudo usou dados de registros eletrônicos de saúde (EHRs), que são usados ​​pela maioria dos médicos dos EUA para rastrear e gerenciar as informações do paciente.

O problema com as pesquisas, disse Ted Melnick, professor associado de medicina de emergência e co-autor sênior do novo estudo, é que os médicos muitas vezes se sentem sobrecarregados para responder. Consequentemente, as taxas de resposta são muitas vezes baixas. “E as pesquisas podem dizer o que está acontecendo naquele momento”, acrescentou, “mas não o que está acontecendo no dia seguinte, no mês seguinte ou no ano seguinte”.

Os registros eletrônicos de saúde, no entanto, que além de coletar dados clínicos do paciente também geram dados relacionados ao trabalho continuamente, oferecem uma oportunidade de observar os padrões comportamentais do médico momento a momento e por longos períodos de tempo.

Para o novo estudo, os pesquisadores usaram três anos de EHR não identificado e dados médicos de um grande sistema de saúde da Nova Inglaterra para determinar se eles poderiam pegar um período de dados de três meses e prever a probabilidade de saída de um médico nos próximos meses. seis meses.

“Queríamos algo que fosse útil em um nível personalizado”, disse Andrew Loza, professor e bolsista de informática clínica da Escola de Medicina de Yale e co-autor sênior do estudo. “Portanto, se alguém usasse essa abordagem, poderia ver a probabilidade de partida para uma posição, bem como as variáveis ​​que mais contribuem para a estimativa naquele momento, e intervir sempre que possível.”

Especificamente, os dados foram coletados mensalmente de 319 médicos representantes de 26 especialidades médicas durante um período de 34 meses. Os dados incluíram quanto tempo os médicos gastaram usando EHRs; medidas de produtividade clínica, como volume de pacientes e demanda médica; e características do médico, incluindo idade e tempo de emprego. Diferentes partes dos dados foram usadas para treinar, validar e testar o modelo de aprendizado de máquina.

Quando testado, o modelo foi capaz de prever se um médico sairia com 97% de precisão, descobriram os pesquisadores. A sensibilidade e a especificidade do modelo, que mostram a proporção dos meses de partida e não partida que foram classificados corretamente, foram de 64% e 79%, respectivamente. O modelo também foi capaz de identificar quão fortemente diferentes variáveis ​​contribuíram para o risco de rotatividade, como as variáveis ​​interagiram umas com as outras e quais variáveis ​​mudaram quando um médico passou de baixo risco de afastamento para alto risco.

Os detalhes sobre o que está impulsionando a previsão é o que torna essa abordagem particularmente útil, disseram os pesquisadores.

“Tem havido esforços para tornar os modelos de aprendizado de máquina não caixas pretas em que você obtém uma previsão, mas não está claro como o modelo chegou a ela”, disse Loza. partida.”

Por meio de sua abordagem, os pesquisadores identificaram várias variáveis ​​que contribuíram para o risco de afastamento; os quatro principais fatores, eles descobriram, foram há quanto tempo o médico estava empregado, sua idade, a complexidade de seus casos e a demanda por seus serviços.

Enquanto trabalho prévio permitiu apenas análises de relações lineares, o modelo de aprendizado de máquina permitiu que os pesquisadores observassem os desafios enfrentados pelos médicos com mais nuances. Por exemplo, o risco de saída foi maior para os médicos contratados mais recentemente e aqueles com mandatos mais longos, mas menor para aqueles com tempo de mandato mediano. Da mesma forma, o risco de desligamento foi maior para aqueles com até 44 anos, menor para médicos de 45 a 64 anos e novamente maior para aqueles com 65 anos ou mais.

Houve também interações entre as variáveis. Por exemplo, mais tempo gasto em atividades de EHR diminuiu o risco de saída para os médicos que estavam no trabalho há menos de 10 anos. Mas para os médicos empregados por mais tempo, aumentava o risco de afastamento.

“As descobertas destacam que não existe uma solução única para todos”, disse Loza.

O risco de afastamento do médico mudou ao longo do período do estudo, que abrangeu um período de 34 meses, de 2018 a 2021 (período que incluiu a pandemia e o mundo pré-pandêmico), disseram os pesquisadores. Eles também identificaram variáveis ​​específicas que mudaram quando um médico mudou de baixo para alto risco de afastamento; a proporção de mensagens da caixa de entrada do EHR respondidas por um membro da equipe que não seja o médico, a demanda do médico e o volume do paciente foram as variáveis ​​que mais mudaram quando o risco de um médico passou de baixo para alto. As ondas do COVID-19 também foram associadas à mudança no risco de partida.

“Acho que este estudo é um passo importante na identificação de fatores que contribuem para a rotatividade de médicos, com o objetivo final de criar um habitat de trabalho sustentável e próspero para nossos médicos”, disse Brian Williams, oficial de informática médica do Nordeste Medical Group e autor do estudo.

Com esse objetivo, os pesquisadores criaram um painel que pode exibir essas informações. Os líderes de assistência médica veem o valor do tipo de análise que essa abordagem pode fornecer.

“Como esgotamento médico é um problema cada vez mais reconhecido, os sistemas de saúde, hospitais e grandes grupos precisam descobrir o que precisam fazer para garantir a saúde física e emocional e o bem-estar dos médicos e outros médicos que cuidam dos pacientes”, disse Robert McLean, diretor médico regional de New Haven do Northeast Medical Group.

“Muitos sistemas de saúde já possuem oficiais de bem-estar e comitês de bem-estar que poderiam ter a responsabilidade de coletar e analisar esses dados e desenvolver conclusões, o que levaria a planos de implementação de mudanças e melhorias”.

Melnick acrescentou: “Estamos entusiasmados com a possibilidade de como isso pode acontecer na prática. E continuamos a trabalhar na implementação ética, pois trata-se realmente da melhor forma de promover o bem-estar do médico e uma força de trabalho próspera”.