Abordagem projetada para apoiar a tomada de decisão dos médicos — Strong The One

Em um artigo publicado hoje (6 de abril de 2023) em Inteligência da Máquina da Naturezacientistas da Ohio State University descrevem o novo modelo, que usa inteligência artificial para enfrentar a complexa questão de quando administrar antibióticos a pacientes com suspeita de sepse.

O tempo é essencial porque a sepse, a resposta esmagadora do corpo a uma infecção, pode levar rapidamente à falência de órgãos. E, no entanto, seus sintomas – febre, pressão arterial baixa, aumento da frequência cardíaca e problemas respiratórios – podem se parecer com muitas outras condições. As diretrizes federais exigem um tratamento rápido com antibióticos de amplo espectro como primeira linha de defesa – uma estratégia que normalmente requer ação antes que as culturas que confirmam uma infecção bacteriana possam ser obtidas em um laboratório.

O modelo foi projetado para levar em conta essas incertezas e pressões de tempo.

Os pesquisadores testaram o desempenho do modelo usando informações de pacientes de cuidados intensivos de um banco de dados dos EUA e de um banco de dados europeu, comparando os resultados em pacientes cujo tratamento real correspondia ao cronograma de tratamento recomendado pelo modelo com os resultados de pacientes cujo tratamento real diferia do que o modelo teria recomendado com base em seus sinais vitais, resultados de laboratório e dados demográficos relacionados ao risco. A medida que representa o desfecho foi a sobrevida do paciente 30 e 60 dias após o tratamento da sepse.

“Mostramos que quando o tratamento real e a inteligência artificial concordam, temos uma taxa de mortalidade menor. Se eles não concordarem, a taxa de mortalidade pode chegar a 25%”, disse o autor sênior Ping Zhang, PhD, professor assistente de ciência da computação e engenharia e informática biomédica no estado de Ohio.

O modelo foi treinado e validado em um conjunto de dados obtido de um banco de dados disponível publicamente, denominado MIMIC-III. O modelo foi testado em diferentes porções do MIMIC-III e um novo conjunto de dados externo do AmsterdamUMCdb. As principais medidas de quase 14.000 indivíduos com sepse incluíram alterações nos sinais vitais do paciente e nos resultados dos testes de laboratório com o passar do tempo – servindo como indicadores da gravidade da doença e do tipo de infecção – e um método inovador desenvolvido para comparar os resultados de pacientes que tiveram e não tiveram receber antibióticos em um horário específico.

“Queremos que a modelagem preveja se é benéfico usar antibióticos em um determinado momento – sim ou não. Mas nunca saberemos o que acontecerá se não administrarmos o antibiótico. Portanto, aplicamos um conceito de ensaio clínico a esse modelo : Para cada paciente que tomou o medicamento, incluímos um paciente clinicamente semelhante que não tomava antibióticos naquele momento”, disse Zhang, que lidera o Laboratório de Inteligência Artificial em Medicina e também é membro do corpo docente do Ohio State’s Instituto de Análise de Dados Translacionais. “Dessa forma, podemos prever o resultado contrafactual e treinar o modelo de tratamento contrafactual para descobrir se o tratamento para sepse funciona ou não”.

A sepse contribui para mais de um terço das mortes hospitalares e é vista com mais frequência em unidades de terapia intensiva e departamentos de emergência, “onde muitas vezes tomamos decisões sem o padrão-ouro – resultados de uma cultura”, disse o estudo co -autor Katherine Buck, MD, professor assistente de medicina de emergência na Faculdade de Medicina e diretor do Departamento de Emergência Geriátrica do Ohio State Wexner Medical Center. “Nem todo paciente que atende aos critérios de sepse passa a ter prova de uma infecção bacteriana.”

Os antibióticos não são isentos de riscos – eles podem ser tóxicos para os rins, desencadear uma reação alérgica ou causar C. difficile, uma infecção que causa diarreia grave e inflamação do cólon.

“O que este artigo começa a dizer é: podemos usar as informações disponíveis para os médicos, às vezes na vanguarda e às vezes não, para dizer: as coisas estão mudando de uma maneira que sugere que o paciente se beneficiará com os antibióticos”, disse Buck. “Uma ferramenta de apoio à decisão pode dizer aos médicos se corresponde ao que já estamos pensando ou nos levar a nos perguntar o que está faltando. Esperançosamente, com o tempo, todos os dados de registros eletrônicos de saúde que temos revelarão sinais – e de aí é uma questão de descobrir como usá-los e como levá-los aos médicos.”

Essas percepções – e a disponibilidade de dados de registros eletrônicos de saúde – foram importantes para alimentar o modelo com o tipo certo de dados e projetá-lo para levar em consideração várias considerações que acompanham a mudança das circunstâncias médicas, disse Zhang.

“Modelamos o registro do paciente como se fosse a linguagem”, disse ele. “E para aprendizado de máquina, sempre treinamos o modelo lote por lote – você precisa do modelo para analisar o padrão de dados, definir parâmetros e, com base nesses parâmetros, adicionar outro conjunto de dados de treinamento para fazer melhorias. E então a máquina sempre encontra melhores parâmetros para ajustar o modelo.”

Uma medida chave usada para orientar como o modelo chega a uma recomendação é a pontuação Sequential Organ Failure Assessment (SOFA), que é usada para avaliar regularmente o desempenho dos sistemas de órgãos de um paciente de UTI com base nos resultados de seis testes de laboratório. Os pesquisadores realizaram estudos de caso de exemplo para demonstrar como pode ser uma interface desenvolvida para o ambiente clínico, mostrando como as pontuações SOFA mudam quando o modelo ajusta o cronograma de tratamento recomendado com base em alterações nos dados personalizados do paciente.

“Nosso artigo é o primeiro a usar IA para buscar uma recomendação de antibiótico para sepse, usando dados do mundo real para ajudar na tomada de decisões clínicas”, disse Zhang. “Qualquer pesquisa como essa precisa de validação clínica – esta é a fase um para análise retrospectiva de dados, e a fase dois envolverá colaboração humano-IA para melhor atendimento ao paciente”.

Este trabalho foi financiado pela National Science Foundation e pelo National Institutes of Health. Co-autores adicionais, ambos do estado de Ohio, foram o primeiro autor Ruoqi Liu, estudante de doutorado em ciência da computação e engenharia, e Jeffrey Caterino, MD, professor e presidente de medicina de emergência e chefe de serviços médicos de emergência.