Um estudo recente mostrou que, graças a um modelo de previsão de ocupação de leitos de UTI, as mortes por COVID-19 foram evitadas. Diferentes relatos foram feitos, considerando as possibilidades de evolução do estado dos pacientes e suas características pessoais, o que permitiu uma utilização mais eficiente e eficaz dos leitos de UTI.
No início da pandemia, o rápido aumento das infecções por COVID-19 começou a ameaçar a capacidade dos serviços de saúde. Isso levou o Ministério da Saúde a assumir o controle de todos os leitos de UTI do país para coordenar hospitais públicos e privados em um único sistema. Além disso, promoveu a ampliação da capacidade de UTI e a transferência inter-regional de pacientes para cidades menos congestionadas, devido à preocupante taxa de ocupação de leitos de UTI, que chegou a mais de 95% em Santiago.
Para que essa gestão fosse possível, era necessária uma previsão detalhada de quantos leitos seriam necessários em cada região. Uma equipe de pesquisa liderada pelo pesquisador do Instituto Milenio MIPP, Marcel Goic, realizou o estudo “COVID-19: Short-term forecast of ICU beds in times of crisis” e desenvolveu modelos de previsão de curto prazo de ocupação de UTI para todas as regiões.
A metodologia foi baseada em uma variedade de modelos de previsão que capturam diferentes componentes da evolução do surto.
«O primeiro modelo a ser construído foi um modelo compartimentado que descrevia o fluxo de pacientes como uma progressão estocástica por diferentes estados clínicos. Novos pacientes precisariam de um leito de UTI após um determinado número de dias com uma determinada probabilidade e receberiam alta após um determinado número de dias de acordo com uma determinada distribuição”, explica Goic, acrescentando que, «no contexto da COVID-19, a demora entre a identificação de um novo caso e a necessidade de leito de UTI, a duração da ventilação mecânica e a probabilidade de necessidade de atendimento de urgência foram alguns dos parâmetros que poderiam mudar ao longo do tempo. E como estes não são adequadamente capturados por este tipo de modelo, foram incluídos vários modelos autorregressivos e de machine learning que poderiam capturar melhor as variações dinâmicas do ambiente. Os resultados da previsão dos diferentes modelos foram então combinados usando um conjunto de médias aparadas».
Os erros médios de previsão foram de 4% e 9% para horizontes de uma e duas semanas, respectivamente. Estes foram informativos para apoiar os tomadores de decisão durante a crise da saúde.
Dessa forma, a estimativa do impacto desses modelos mostrou que eles foram úteis para evitar aproximadamente 850 óbitos, uma vez que as previsões desta pesquisa tiveram alta precisão. Goic explica que a precisão das previsões era fundamental, porque “uma subestimação de leitos poderia ter deixado pacientes sem tratamento crítico, e ao mesmo tempo uma superestimação de leitos custava caro”.
