A prática da medicina envolve a conversão de dados que descrevem os pacientes (diagnósticos e prognósticos) em conhecimento para ajudá-los. Frequentemente, os dados de um paciente atual são analisados em comparação com dados de pacientes anteriores - experiência classificada em padrões reconhecíveis, como síndromes ou diagnósticos. O diagnóstico depende do reconhecimento de sinais complexos e distintos de sintomas e implica na administração de novos testes de diagnóstico, histórico natural da doença, prognóstico e terapia potencialmente benéfica com base em pacientes anteriores com o mesmo diagnóstico.
A quantidade de dados disponíveis para os médicos é vasta. O volume, a variedade e a velocidade da aquisição de dados, geralmente em um ambiente com restrição de tempo e especialmente à luz das limitações atuais no gerenciamento de dados humanos, criam desafios para a prática de cuidados intensivos.
Na ciência da computação, o Big Data (BD) é descrito pelos mesmos três “Vs” - Volume, Variedade e Velocidade - confrontando intensivistas (há relatos de mais de 30 “Vs”). A ciência do BD revolucionou a indústria, os bancos, a política e muitos outros domínios, mas é apenas incipiente em muitos domínios da saúde.
O Machine Learning (ML) é útil para o desenvolvimento de algoritmos que encontram padrões e extraem informações de grandes volumes de dados. O ML teve ampla aplicação para aprender com grandes conjuntos de dados fora e dentro da área da saúde, e já foi aplicado com resultados positivos na tomada de decisões de triagem no setor de emergência e transplante renal.
Realizando uma breve revisão na literatura acerca dos trabalhos que abordassem o ML no cuidado aos pacientes críticos, que tiveram maior relevância e estavam correlacionados com o prognóstico positivo de implementação, foi apontada uma característica marcante dos cuidados intensivos: o registro observacional baseado no tempo. É cada vez mais digital e acessível para análise computacional, mas, o caráter desses dados é problemático.
Os dados perfeitos para análise seriam amostrados regularmente, medidos e gravados com precisão e reunidos em intervalos próximos. Do ponto de vista computacional, os dados da UTI são amostrados de forma esparsa e irregular. Os dados clínicos são confusos. Estes apresentam desafios significativos para ML usando dados.
Um estudo de 2017 (Vranas), a utilização do ML revelou diferenças importantes entre subgrupos de pacientes de UTI empiricamente derivados, que normalmente não são revelados ao se admitir apenas o diagnóstico ou a gravidade da doença. Abordagens semelhantes baseadas em dados podem fornecer uma estrutura para futuras inovações organizacionais no atendimento à UTI, adaptadas às necessidades compartilhadas dos pacientes.
Em um ensaio clínico randomizado de 2017 (Shimabukuro), com objetivo de construir um algoritmo de previsão de sepse baseado em ML para demonstrar diferenças estatisticamente significativas no tempo de internação e mortalidade hospitalar, o algoritmo (ML) foi associado a melhores resultados para os pacientes.
Dentre todos, este último destacou-se por procurar validar um algoritmo através de prática clínica, não foi estudo de coorte prospectivo ou retrospectivo. E no ensaio clínico controlado randomizado encontraram um decréscimo estatisticamente significativo no tempo de internação hospitalar e na mortalidade hospitalar ao usar ML em comparação com o atual detector de sepse baseado em protocolos.
Em 2018 tiveram dois estudos de coorte observacional. O primeiro (Rojas) teve como objetivo usar uma técnica de ML para derivar e validar um modelo de previsão de readmissão em unidades de terapia intensiva com variáveis disponíveis no prontuário eletrônico em tempo real e compará-lo com algoritmos publicados anteriormente.
Aqui a abordagem foi significativamente mais precisa do que os algoritmos publicados anteriormente na validação interna e no coorte do Medical Information Mart for Intensive Care-III. O segundo (Nemati) teve como objetivo desenvolver e validar um algoritmo de Inteligência Artificial em Sepse (AISE) para previsão precoce de sepse.
Usando os dados disponíveis na UTI em tempo real, o AISE pode prever com precisão o início da sepse em um paciente na UTI entre 4 a 12 horas antes do reconhecimento clínico. Um estudo prospectivo é necessário para determinar a utilidade clínica do modelo de previsão de sepse proposto antes de novas conclusões.
Em 2019, dois estudos de coorte (um prospectivo e outro retrospectivo). O prospectivo (Zhang) objetivou desenvolver um modelo de previsão que pode ser usado para diferenciar entre lesão renal aguda responsiva ao volume (VR) e lesão renal aguda sem resposta ao volume (VU). Esse modelo foi capaz de diferenciar entre pacientes que responderiam e não responderiam à ingestão de líquidos no débito urinário melhor do que um modelo de regressão logística tradicional. Esse resultado sugere que as técnicas de ML têm o potencial de melhorar o desenvolvimento e a validação da modelagem preditiva na pesquisa em cuidados intensivos.
O estudo retrospectivo (Dhungana) pretendeu desenvolver e validar um fenótipo computável por meio de um método supervisionado de ML para identificar retrospectivamente sepse e choque séptico em pacientes em terapia intensiva. O ML supervisionado para identificação de sepse e choque séptico demonstrou-se confiável e uma alternativa eficiente à revisão manual de prontuários.
Os autores também deduziram que algoritmos de previsão baseados em ML informam sobre as intervenções clínicas anteriores e conduzem a melhores resultados para os pacientes, demonstrando a viabilidade de aplicação do ML na gestão/cuidado do paciente crítico em UTI, tornando esse cuidado automatizado usando métodos de ML usando apenas elementos de dados administrativos altamente disponíveis.
Leia também:
Referências
- CENTERS FOR DISEASE CONTROL AND PREVENTION - CDC. CDC locations and descriptions and instructions for mapping patient care locations. 2020. Disponível em: http://www.cdc.gov/nhsn/pdfs/pscmanual/15locationsdescriptions_current.pdf.
- DHUNGANA P, et al. Machine learning in data abstraction: A computable phenotype for sepsis and septic shock diagnosis in the intensive care unit. W J Crit Care Med. 2019; 8(7): 120.
- NEMATI S, et al. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018; 46(4): 547.
- ROJAS JC, et al. Predicting intensive care unit readmission with machine learning using electronic health record data. Ann Am Thoracic Soc. 2018; 15(70):846.
- SHIMABUKURO DW, et al. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017; 4(1): e234.
- VRANAS KC, et al. Identifying Distinct Subgroups of Intensive Care Unit Patients: a Machine Learning Approach. Crit Care Med. 2017; 45(10): 1607.
- ZHANG, et al. Machine learning for the prediction of volume responsiveness in patients with oliguric acute kidney injury in critical care. Crit Care. 2019; 23(1): 112.
Quer escrever?
Publique seu artigo na Academia Médica e faça parte de uma comunidade crescente de mais de 150 mil médicos, acadêmicos, pesquisadores e profissionais da saúde. Clique no botão "NOVO POST" no alto da página!