.
Implantar e avaliar uma intervenção de aprendizado de máquina para melhorar o atendimento clínico e os resultados dos pacientes é um passo fundamental para mover os modelos de deterioração clínica do byte para a beira do leito, de acordo com um editorial de 13 de junho no Medicina Intensiva que comenta um estudo do Monte Sinai publicado na mesma edição. O estudo principal descobriu que os pacientes hospitalizados tinham 43% mais probabilidade de ter os seus cuidados aumentados e significativamente menos propensos a morrer se a sua equipa de cuidados recebesse alertas gerados por IA sinalizando mudanças adversas na sua saúde.
“Queríamos ver se alertas rápidos feitos por IA e aprendizado de máquina, treinados em muitos tipos diferentes de dados de pacientes, poderiam ajudar a reduzir a frequência com que os pacientes precisam de cuidados intensivos e suas chances de morrer no hospital”, diz o principal autor do estudo, Matthew A. Levin, MD, Professor de Anestesiologia, Medicina Perioperatória e da Dor, e Genética e Ciências Genômicas, no Icahn Mount Sinai, e Diretor de Ciência de Dados Clínicos no Hospital Mount Sinai. “Tradicionalmente, contamos com métodos manuais mais antigos, como o Modified Early Warning Score (MEWS), para prever a deterioração clínica. No entanto, nosso estudo mostra que pontuações de algoritmos de aprendizado de máquina automatizados que acionam a avaliação pelo provedor podem superar esses métodos anteriores na previsão precisa desta situação. É importante ressaltar que permite uma intervenção mais precoce, o que poderia salvar mais vidas”.
O estudo prospectivo não randomizado analisou 2.740 pacientes adultos internados em quatro unidades médico-cirúrgicas do Hospital Mount Sinai, em Nova York. Os pacientes foram divididos em dois grupos: um que recebeu alertas em tempo real com base na probabilidade prevista de deterioração, enviados diretamente para seus enfermeiros e médicos ou para uma “equipe de resposta rápida” de médicos intensivistas, e outro grupo onde os alertas foram criados, mas não enviado. Nas unidades onde os alertas foram suprimidos, os pacientes que atendiam aos critérios padrão de deterioração receberam intervenções urgentes da equipe de resposta rápida.
Descobertas adicionais no grupo de intervenção demonstraram que os pacientes:
- eram mais propensos a receber medicamentos para apoiar o coração e a circulação, indicando que os médicos estavam a tomar medidas precoces; e
- eram menos propensos a morrer em 30 dias
“Nossa pesquisa mostra que alertas em tempo real usando aprendizado de máquina podem melhorar substancialmente os resultados dos pacientes”, disse o autor sênior do estudo David L. Reich, MD, presidente do Hospital Mount Sinai e do Mount Sinai Queens, professor de anestesiologia Horace W. Goldsmith, e Professor de Inteligência Artificial e Saúde Humana na Icahn Mount Sinai. “Esses modelos são auxílios precisos e oportunos para a tomada de decisões clínicas que nos ajudam a levar a equipe certa ao paciente certo, no momento certo. Pensamos neles como ferramentas de ‘inteligência aumentada’ que aceleram as avaliações clínicas presenciais feitas por nossos médicos e enfermeiros e solicitar tratamentos que mantenham nossos pacientes mais seguros. Esses são passos fundamentais em direção ao objetivo de nos tornarmos um sistema de saúde que aprende.
O estudo foi encerrado antecipadamente devido à pandemia de COVID-19. O algoritmo foi implantado em todas as unidades de redução do Hospital Mount Sinai, usando um fluxo de trabalho simplificado. Uma unidade stepdown é uma área especializada do hospital onde são colocados pacientes que estão estáveis, mas ainda necessitam de monitoramento e cuidados rigorosos. É uma etapa entre a unidade de terapia intensiva (UTI) e a área de um hospital geral, garantindo que os pacientes recebam o nível certo de atenção durante a recuperação.
Uma equipe de médicos intensivistas visita diariamente os 15 pacientes com as maiores pontuações de previsão e faz recomendações de tratamento aos médicos e enfermeiros que cuidam do paciente. À medida que o algoritmo é continuamente retreinado em um número maior de pacientes ao longo do tempo, as avaliações dos médicos intensivistas servem como o padrão ouro de correção, e o algoritmo se torna mais preciso por meio do aprendizado por reforço.
Além deste algoritmo de deterioração clínica, os pesquisadores desenvolveram e implantaram 15 ferramentas adicionais de apoio à decisão clínica baseadas em IA em todo o Sistema de Saúde Mount Sinai.
O artigo do Mount Sinai é intitulado “Alertas de aprendizado de máquina em tempo real para prevenir a escalada de cuidados: um ensaio clínico pragmático agrupado não randomizado”. Os demais autores do artigo, todos com Icahn Mount Sinai, exceto onde indicado, são Arash Kia, MD, MSc; Prem Timsina, PhD; Fu-yuan Cheng, MS; Kim-Anh-Nhi Nguyen, MS; Roopa Kohli-Seth, MD; Hung-Mo Lin, ScD (Universidade de Yale); Yuxia Ouyang, PhD; e Robert Freeman, RN, MSN, NE-BC.
.
