Pesquisadores criam IA para prever risco de delirium na UTI

Mais de um terço de todas as pessoas internadas no hospital e até 80% de todos os pacientes em uma unidade de terapia intensiva (UTI) desenvolvem delirium, um tipo de disfunção cerebral marcada por ataques súbitos de confusão, desatenção, paranóia, ou mesmo agitação e alucinações. Um intensivista da Johns Hopkins Medicine, em colaboração com estudantes de engenharia da Johns Hopkins University, relata que desenvolveu algoritmos de inteligência artificial (IA) que podem detectar os primeiros sinais de delirium e prever – a qualquer momento durante uma internação na UTI – um alto risco delirium para um número significativo de pacientes.

“Ser capaz de diferenciar entre pacientes com baixo e alto risco de delirium é extremamente importante na UTI porque nos permite dedicar mais recursos para intervenções na população de alto risco”, diz Robert Stevens, MD, professor associado de anestesiologia e medicina intensiva na Escola de Medicina da Universidade Johns Hopkins e autor sênior dos novos resultados do estudo, publicados na edição de 20 de dezembro da revista Anestesiologia. Stevens também é diretor de medicina de precisão e informática e co-diretor do Johns Hopkins Precision Medicine Center of Excellence in Neurocritical Care.

Os médicos já sabiam que o delirium da UTI ocorre com mais frequência em pacientes mais velhos e mais doentes, e que os pacientes da UTI que desenvolvem delirium correm maior risco de hospitalização prolongada, demência futura e morte. Intervenções antidelirium, como pacotes de cuidados, troca de medicamentos e tratamento ocupacional e fisioterapia são eficazes, dizem os especialistas, mas o tempo e os recursos limitados, bem como as necessidades frequentemente imprevisíveis dos pacientes de UTI, impedem que a maioria das UTIs os use em todos os pacientes.

O novo programa de IA, desenvolvido por alunos de graduação e mestrado em engenharia em uma aula de medicina de precisão ministrada por Stevens, aplicou algoritmos de IA a um conjunto de dados disponível ao público que abrange mais de 200.000 internações em UTI em 208 hospitais em todo o país.

“A ideia subjacente era que esses dados coletados rotineiramente armazenados nos registros eletrônicos de saúde dos pacientes continham assinaturas associadas ao risco de delírio”, diz Kirby Gong, recém-formado em mestrado pelo Departamento de Engenharia Biomédica da Johns Hopkins e primeiro autor do novo trabalhos.

Usando os dados, a equipe desenvolveu dois modelos computadorizados para prever o risco de delirium. Um deles, chamado de modelo estático, tira um único instantâneo dos dados do paciente logo após a admissão – informações sobre idade, gravidade da doença, outros diagnósticos, variáveis ​​fisiológicas e medicamentos atuais – para prever o risco de delirium em qualquer momento durante a internação. O segundo, chamado de modelo dinâmico, monitora as informações ao longo de horas e dias, incluindo leituras repetidas de pressão arterial, pulso e temperatura – para fornecer o risco de delírio continuamente atualizado do paciente nas 12 horas seguintes.

Depois que os pesquisadores desenvolveram os modelos de IA, eles os testaram em dois outros conjuntos de dados de um hospital de Boston, cobrindo coletivamente mais de 100.000 internações na UTI. A área sob a curva característica de operação do receptor (95% CI) para o primeiro modelo de 24 horas foi de 0,785, o que significa que foi capaz de prever quais pacientes teriam delirium em 78,5% das vezes. O modelo dinâmico teve um desempenho ainda melhor, prevendo delírio-pacientes propensos até 90% do tempo.

Stevens diz que agora está testando os modelos em dados históricos de pacientes das UTIs da Johns Hopkins Medicine e planeja projetar um ensaio clínico para testar o uso dos algoritmos – e como eles podem moldar o atendimento clínico – em pacientes recém-admitido em uma UTI. Seu laboratório também está aplicando abordagens semelhantes de inteligência artificial – geralmente em colaboração com estudantes e professores de engenharia – para prever derrames, insuficiência cardíacaembolias pulmonares e outros eventos emergentes observados em medicina intensiva.

“Para muitas dessas transições fisiológicas, pensamos que há sinais de alerta precoce que podem não ser óbvios para um clínico, mas podem ser detectados usando os tipos de inteligência artificialanálise de padrão compatível que usamos aqui”, diz Stevens.