Predição de infecção do sítio cirúrgico em cirurgias ortopédicas: revisão da literatura e análise, desenvolvimento e validação de modelo preditivo utilizando machine learning para o contexto de um hospital de reabilitação
Infecção do sítio cirúrgico, Modelos preditivos, Fatores de risco, Machine Learning, Hospital de reabilitação, Infecções relacionadas à assistência à saúde.
As infecções do sítio cirúrgico (ISC) representam uma das principais complicações pós-operatórias, especialmente em hospitais de reabilitação, onde pacientes frequentemente apresentam múltiplas comorbidades e longas permanências hospitalares. Esta tese teve como objetivo analisar fatores de risco associados à ISC e desenvolver um modelo preditivo específico para pacientes submetidos a cirurgias ortopédicas e neurocirúrgicas em um hospital de reabilitação. O modelo busca apoiar estratégias preventivas e melhorar a vigilância de infecções hospitalares. Trata-se de um estudo longitudinal, analítico, observacional, tipo coorte histórica, incluindo todas as cirurgias realizadas entre janeiro de 2008 e dezembro de 2024 na Rede Sarah de Hospitais de Reabilitação (DF). Foram avaliados os modelos preditivos tradicionais (IRIC e NHSN), que apresentaram baixa sensibilidade e valor preditivo positivo para o contexto estudado, sendo o tempo cirúrgico o único fator significativamente associado à ocorrência de ISC. Diante das limitações dos modelos existentes, foi proposto o desenvolvimento de um modelo preditivo adaptado à realidade do hospital, incorporando variáveis clínicas, cirúrgicas e ambientais, e utilizando técnicas de Machine Learning. Os resultados reforçam a necessidade de modelos personalizados para melhorar a identificação de pacientes com risco elevado de ISC, subsidiando estratégias de prevenção e controle de infecções hospitalares.