Previsão de intervenções médicas ideais

Bem-vindo ao mundo da medicina moderna. As ferramentas de visão computacional podem detectar com precisão lesões cutâneas suspeitas ou prever doenças arteriais coronarianas a partir de exames. Robôs baseados em dados estão orientando cirurgias minimamente invasivas.

O aprendizado de máquina pode ser aplicado à análise de dados genômicos e moleculares de pacientes para detectar doenças como o Alzheimer ou para ajudar a escolher o melhor medicamento para um paciente. Métodos de aprendizagem profunda podem ser utilizados para modelar dados de registros eletrônicos de saúde para prever resultados de saúde para os pacientes.

Não é de admirar que a aplicação de ferramentas de inteligência artificial (IA) nos cuidados de saúde tenha sido descrita como uma das revoluções industriais mais significativas do nosso tempo?

“Embora eu concorde que as ferramentas de IA nos cuidados de saúde representam uma revolução industrial significativa, acredito que ainda há um caminho considerável pela frente antes que a IA possa realmente revolucionar os aspectos centrais dos serviços de saúde prestados pelos médicos”, afirma Daniel Zheng, professor associado de Operações. Gestão na Singapore Management University (SMU).

A equipe de pesquisa desenvolveu uma ferramenta personalizada de apoio à decisão que utiliza informações preditivas para ajudar a tomar melhores decisões sobre a continuação do tratamento médico em unidades de terapia intensiva (UTI).

Especificamente, o estudo considerou o ponto ideal em que o suporte mecânico para respiração poderia ser removido de um paciente (extubação). As metodologias podem ser aplicadas à descontinuação de outros tratamentos críticos.

“Nossa aplicação de análise preditiva para futuros estados de saúde dos pacientes não é inteiramente nova. Os médicos há muito integram suas previsões nas decisões clínicas”, diz o professor Zheng.

“Mas a nossa abordagem visa formalizar este processo, integrando previsões geradas por máquinas em protocolos de decisão clínica, melhorando assim a tomada de decisões e melhorando os resultados dos pacientes e a eficiência operacional”.

Estados futuros

A enxurrada de pacientes que necessitaram de cuidados intensivos durante a pandemia de COVID sublinhou que as UCI são um ponto de pressão nos sistemas de saúde que já enfrentam uma procura crescente por parte das populações envelhecidas, restrições financeiras e escassez de pessoal especializado.

Dado que os cuidados intensivos são dispendiosos tanto para os pacientes como para os hospitais e o número de camas de UCI é limitado, estes recursos têm de ser geridos da forma mais eficiente possível.

Os pacientes não podem receber alta da UTI enquanto ainda estiverem intubados. A decisão de extubar é vital para os pacientes e o tempo até a extubação é geralmente considerado o principal resultado do serviço para cuidados cirúrgicos em hospitais.

“Escolhemos as decisões de extubação como nosso foco devido à sua natureza crítica na UTI, principalmente no pós-cirurgia cardíaca”, diz o professor Zheng. “Este tema foi inicialmente proposto pelos nossos médicos colaboradores que buscavam apoio baseado em dados para estas decisões.”

Os protocolos existentes sobre a decisão de continuação do tratamento médico consideram apenas detalhes atuais ou históricos da condição do paciente, sem considerar a provável condição futura.

Usando um conjunto abrangente de dados hospitalares, os pesquisadores avaliaram a eficácia de diversas políticas e demonstraram que a incorporação de informações preditivas pode reduzir o tempo de internação na UTI em até 3,4% e, simultaneamente, diminuir a taxa de falha de extubação em até 20,3%, em comparação com o valor ideal. política que não utiliza previsão. Esses benefícios são mais significativos para pacientes com condições iniciais ruins na admissão na UTI.

“Nossa análise indica que, desde que o modelo de previsão seja razoavelmente preciso, sua integração nos protocolos de decisão é benéfica, apesar do potencial excesso de confiança ou má interpretação por parte dos médicos”, disse o professor Zheng.

Efeito adicional

Os pesquisadores obtiveram seus dados empíricos de 5.566 internações na UTI cardiotorácica do Hospital Universitário Nacional de Cingapura. Dados de admissão do paciente, como idade, sexo, raça e horário de admissão, foram compilados e, durante a permanência na UTI, dados fisiológicos abrangentes, como temperatura corporal, frequência cardíaca e pressão arterial, foram documentados por um sistema de rastreamento digital.

Resultados de exames laboratoriais, medicamentos, procedimentos e notas de cuidados de enfermagem também foram integrados ao conjunto de dados. E embora o método usado para limpar tantos dados brutos não fosse novo, era “completo e crítico”.

“A limpeza de dados foi um processo desafiador, mas crucial, que envolveu extensa colaboração com médicos e enfermeiros para compreender as notas e variáveis ​​clínicas”, diz o professor Zheng.

Para estender seus modelos de previsão de risco ao ambiente de gerenciamento de UTI, os pesquisadores adotaram a estrutura de modelagem uplift, uma técnica de modelagem preditiva usada em análise de dados e pesquisa operacional. Difere da modelagem preditiva tradicional por focar na mudança na probabilidade causada por uma ação ou tratamento específico, em vez de apenas prever a probabilidade do resultado em si.

Em termos mais simples, tenta responder à pergunta: Qual é o efeito adicional deste tratamento ou intervenção neste indivíduo ou grupo específico?

“A modelagem Uplift, que prevê o impacto incremental da ventilação contínua, foi usada como entrada para nosso modelo de decisão de extubação. Ela gera previsões, mas não dita sua aplicação, que é onde nosso modelo entra em ação, sugerindo como essas previsões devem ser utilizadas, “Professor Zheng diz.

A integração da equipe de pesquisa de modelagem matemática avançada e análise de dados com decisões médicas críticas demonstra que uma abordagem interdisciplinar pode oferecer insights valiosos sobre os desafios reais dos cuidados de saúde.

Uso mais amplo

“A tomada de decisão assistida por previsão tem aplicações potenciais em várias decisões clínicas e operacionais de cuidados de saúde”, diz o professor Zheng.

“Nosso projeto, por exemplo, tem implicações nas decisões de diálise e alta da UTI, demonstrando a ampla aplicabilidade do aproveitamento sistemático de novos modelos e algoritmos preditivos”.

Então, o que vem a seguir para os pesquisadores? O trabalho deles na extubação poderia levar a um produto?

“Estamos nos estágios preliminares de explorar uma parceria com uma empresa de biotecnologia especializada em soluções centralizadas de gerenciamento de ventiladores”, disse o professor Zheng.

“Seu conjunto de produtos inclui hardware para coleta, criptografia e transmissão de dados, bem como uma plataforma de software projetada para visualização de dados e monitoramento de risco do paciente.”

“Vemos uma oportunidade potencial de integrar nosso modelo ao sistema existente, o que poderia melhorar significativamente o monitoramento de risco do ventilador e apoiar o processo de tomada de decisões de extubação”.

“Esta colaboração representa um passo promissor para a transição da nossa investigação de construções teóricas para aplicações práticas e do mundo real em ambientes médicos”, diz o professor Zheng.