Pesquisadores do Machine Learning for Good Laboratory da New York University (ML4G Lab), da Universidade Carnegie Mellon, e do Departamento de Saúde e Higiene Mental (DOHMH) da cidade de Nova York desenvolveram um sistema automatizado de aprendizado de máquina que pode atuar na vigilância de saúde pública ‘pré-sindrômica’ para identificar grupos de doenças novas ou raras.
De acordo com o comunicado por e-mail ao site HealthITAnalytics, os atuais sistemas automatizados usados para identificar ameaças à saúde pública dependem da “vigilância sindrômica” para detectar ameaças existentes, mas podem ficar aquém da identificação de novas.
“Os sistemas existentes são bons para detectar surtos de doenças que já conhecemos e estamos procurando ativamente, como gripe ou COVID”, disse o professor da Universidade de Nova York Daniel B. Neill, PhD e diretor do ML4G Lab. “Mas o que acontece quando algo novo e assustador aparece? A vigilância pré-sindrômica fornece uma rede de segurança para identificar ameaças emergentes que outros sistemas não conseguiriam detectar”, disse ele no comunicado.
Para eliminar essa lacuna na vigilância sanitária, os pesquisadores projetaram um sistema que permite que as autoridades de saúde pública respondam com mais rapidez e eficácia às ameaças emergentes, incomuns ou novas. Para desenvolver o sistema, conhecido como Varredura Semântica Multidimensional (Muses), a equipe de pesquisa contou com uma abordagem de vigilância pré-sindrômica, que aproveita dados comunicados digitalmente sobre as condições do paciente.
Os sistemas de vigilância atuais, por outro lado, baseiam-se na classificação de dados de casos em síndromes de doenças existentes. Ao não classificar automaticamente os casos dessa maneira, um sistema pré-sindrômico pode apoiar a detecção rápida de doenças ou condições emergentes que as autoridades de saúde pública desconhecem.
Para criar o sistema, os pesquisadores usaram dados anônimos de queixas principais das visitas ao departamento de emergência (DE) do hospital. Essas queixas geralmente são fornecidas pelo paciente em suas próprias palavras e registradas por uma enfermeira ou médico de triagem de emergência, afirma o comunicado de imprensa.
O sistema então usa essas queixas para identificar tendências e padrões nas palavras ou frases usadas pelos pacientes, permitindo a detecção potencial de um agrupamento de casos localizado. O sistema também pode incorporar feedback de profissionais de saúde pública para ajudar a distinguir entre clusters relevantes e irrelevantes, reduzir falsos positivos e fornecer suporte à decisão para departamentos de saúde e hospitais.
O comunicado de imprensa observa ainda que o Muses oferece avanços significativos de vigilância para instituições de saúde pública e hospitais porque elimina a necessidade de categorias de síndromes pré-definidas, identifica grupos de casos usando estatísticas de varredura multidimensionais para permitir a detecção de ameaças emergentes que podem afetar determinados áreas ou grupos de pacientes e usa uma abordagem de “praticante no circuito” para se concentrar em padrões relevantes e fornecer insights acionáveis.
Outras abordagens para vigilância em saúde pública que alavancam a inteligência artificial (IA) também foram propostas recentemente. No ano passado, os pesquisadores revelaram um sistema de alerta precoce que usa análises preditivas para otimizar a vigilância de doenças infecciosas após a pandemia de Covid-19. O sistema foi projetado para fornecer um sistema de alerta precoce econômico para permitir uma resposta rápida a surtos e impedir a propagação da gripe em locais sem vigilância existente. Ele se baseia em fluxos de dados de vários outros locais, que são informados pelo movimento humano.