Os pesquisadores do Nationwide Children’s Hospital utilizaram uma ferramenta de aprendizado de máquina com um algoritmo de índice de risco integrado ao EHR (Electronic Health Record, ou registro eletrônico de saúde) para alertar os provedores sobre a deterioração pediátrica precoce.
O Nationwide Children’s Hospital nos EUA desenvolveu e implantou um modelo de aprendizado de máquina (ML) que usa o índice de risco de deterioração para prever prontamente crianças hospitalizadas em risco de deterioração pediátrica mais cedo do que os programas implementados anteriormente, de acordo com um estudo publicado no Pediatric Critical Revista Care Medicine.
A identificação precoce de pacientes de alto risco é crucial na prevenção de eventos adversos e situações de código azul, pois a deterioração do paciente pode aumentar rapidamente de aparentemente normal para crítico. Para organizações que atendem um grande número de pacientes clinicamente complexos, os métodos de pontuação de risco são particularmente úteis.
“Algoritmos preditivos focados em melhorar o atendimento clínico têm sido cada vez mais desenvolvidos ao longo dos anos, mas a grande maioria não é operacionalizada”, disse Laura Rust, médica doutora em medicina de emergência e informaticista médica do Nationwide Children’s e principal autora do artigo, em um comunicado à imprensa. “A transição do algoritmo do computador para o leito pode ser um processo longo e requer envolvimento e colaboração de médicos, cientistas de dados e informáticos clínicos. Este projeto foi uma jornada de mais de cinco anos e estamos muito orgulhosos da integração bem-sucedida dentro nossa cultura de segurança e o impacto nos resultados dos pacientes.”
O Índice de Risco de Deterioração (DRI), baseado em um programa watchstander (algo como vigilância 24 horas) já usado no Nationwide Children’s Hospital, aproveita respostas de alerta familiares para promover a adoção, como avaliações de pacientes, reuniões da equipe de atendimento em 30 minutos, mitigação de riscos e planos de escalonamento.
Os EHRs (Electronic Health Records, ou registros eletrônico de saúde) geralmente contêm dados clínicos em excesso, principalmente após as transições de atendimento ao paciente, e o modelo foi projetado para aliviar a carga do médico processando automaticamente os critérios de risco, explicou Laura. Além disso, sua integração com o EHR permite o acesso a dados de todos os pontos anteriores no tempo ao longo do cuidado contínuo.
Três modelos preditivos foram treinados usando dados de três grupos diagnósticos: cardíaco, malignidade e geral — nem cardíaco nem malignidade. Os pesquisadores então usaram os modelos para desenvolver os algoritmos alavancados pela ferramenta.
A população de pacientes incluiu todos os indivíduos internados em unidades de internação que participaram do programa de consciência situacional preexistente de 20 de outubro de 2015 a 31 de dezembro de 2019. Foram excluídos pacientes maiores de 18 anos na admissão e aqueles com unidade de terapia intensiva neonatal permanecer durante sua internação.
“Um dos recursos de design que ajudou a criar confiança com as equipes clínicas é que não identificamos necessariamente nenhum novo critério. Nosso modelo simplesmente identifica quais critérios de consciência situacional existentes são mais importantes e os avalia de acordo”, disse Tyler Gorham, cientista de dados em pesquisa e inovação em TI do Nationwide Children’s e coautora da publicação, no comunicado à imprensa.
O estudo revelou que o DRI exibiu sensibilidade 2,4 vezes maior do que o programa de consciência situacional existente, com um aumento de quatro vezes na sensibilidade observada para o grupo cardíaco e um aumento de três vezes para o grupo de malignidade. Além disso, o modelo demonstrou alertas mais precisos, exigindo 2,3 vezes menos alarmes por evento detectado.
Após a implementação, o estudo piloto relatou uma redução de 77% nos eventos de deterioração durante os primeiros 18 meses em comparação com o programa de conscientização situacional.
A transparência foi o aspecto mais significativo do modelo, afirmaram os pesquisadores. “Esta não é uma caixa preta. Mostramos aos médicos o que acontece e como o algoritmo avalia os dados para acionar os alarmes”, disse Tyler. “A ferramenta ajuda a apoiar a tomada de decisões clínicas porque a equipe clínica pode ver por que um alarme foi acionado.”
Ultimamente, os modelos de ML de previsão de risco ganharam popularidade em todo o setor de saúde. Por exemplo, pesquisadores da Ohio State University (OSU) anunciaram recentemente um novo modelo de ML para estimar com precisão o tempo ideal para o tratamento da sepse.
A sepse é uma condição com risco de vida que pode levar rapidamente a danos nos tecidos, falência de órgãos e morte sem tratamento oportuno. No entanto, os sintomas da sepse — como problemas respiratórios, frequência cardíaca elevada, pressão arterial baixa e febre — podem se assemelhar aos de várias outras condições,
A equipe desenvolveu um modelo de ML para determinar o melhor momento para administrar antibióticos a pacientes com casos suspeitos de sepse, aprimorando o suporte à decisão clínica.
