.
Pesquisadores que usaram dados do Fitbit para ajudar a prever resultados cirúrgicos têm um novo método para avaliar com mais precisão como os pacientes podem se recuperar de uma cirurgia na coluna.
Usando técnicas de aprendizado de máquina desenvolvidas no AI for Health Institute da Washington University em St. Louis, Chenyang Lu, professor Fullgraf da McKelvey School of Engineering da universidade, colaborou com Jacob Greenberg, MD, professor assistente de neurocirurgia na Escola de Medicina, desenvolver uma maneira de prever a recuperação com mais precisão de uma cirurgia na coluna lombar.
Os resultados publicados este mês na revista Procedimentos da ACM sobre tecnologias interativas, móveis, vestíveis e onipresentes, mostram que seu modelo supera os modelos anteriores para prever resultados de cirurgias de coluna. Isto é importante porque na cirurgia lombar e em muitos outros tipos de operações ortopédicas, os resultados variam amplamente, dependendo da doença estrutural do paciente, mas também variam das características de saúde física e mental entre os pacientes.
A recuperação cirúrgica é influenciada pela saúde física e mental pré-operatória. Algumas pessoas podem ter catastrofização ou preocupação excessiva diante da dor que pode piorar a dor e a recuperação. Outros podem sofrer de problemas fisiológicos que causam dor pior. Se os médicos conseguirem ficar atentos às várias armadilhas de cada paciente, isso permitirá melhores planos de tratamento individualizados.
“Ao prever os resultados antes da cirurgia, podemos ajudar a estabelecer algumas expectativas e ajudar nas intervenções precoces e na identificação de fatores de alto risco”, disse Ziqi Xu, estudante de doutorado no laboratório de Lu e primeiro autor do artigo.
Trabalhos anteriores na previsão de resultados de cirurgias normalmente usavam questionários aos pacientes aplicados uma ou duas vezes em clínicas que capturavam apenas uma fatia estática do tempo.
“Ele não conseguiu capturar a dinâmica de longo prazo dos padrões físicos e psicológicos dos pacientes”, disse Xu. Os algoritmos de aprendizado de máquina de treinamento anterior concentram-se em apenas um aspecto do resultado da cirurgia, “mas ignoram a natureza multidimensional inerente da recuperação da cirurgia”, acrescentou ela.
Os pesquisadores usaram dados móveis de saúde de dispositivos Fitbit para monitorar e medir a recuperação e comparar os níveis de atividade ao longo do tempo, mas esta pesquisa mostrou que os dados de atividade, além dos dados de avaliação longitudinal, são mais precisos na previsão de como o paciente se sairá após a cirurgia, disse Greenberg.
O trabalho atual oferece uma “prova de princípio” que mostra que, com o aprendizado de máquina multimodal, os médicos podem ter uma “imagem geral” muito mais precisa de todos os fatores inter-relacionados que afetam a recuperação. Dando continuidade a este trabalho, a equipe primeiro expôs os métodos estatísticos e o protocolo para garantir que eles estavam alimentando a IA com a dieta balanceada de dados.
Antes da publicação atual, a equipe publicou uma prova inicial de princípio em Neurocirurgia, mostrando que medições vestíveis objetivas e relatadas pelo paciente melhoram as previsões de recuperação precoce em comparação com avaliações tradicionais de pacientes. Além de Greenberg e Xu, Madelynn Frumkin, estudante de doutorado em psicologia e ciências do cérebro no laboratório de Thomas Rodebaugh em Artes e Ciências, foi coautora desse trabalho. Wilson “Zack” Ray, MD, professor de neurocirurgia Henry G. e Edith R. Schwartz na Faculdade de Medicina, foi co-autor sênior, junto com Rodebaugh e Lu. Rodebaugh está agora na Universidade da Carolina do Norte em Chapel Hill.
Nessa pesquisa, eles mostram que os dados do Fitbit podem ser correlacionados com diversas pesquisas que avaliam o estado social e emocional de uma pessoa. Eles coletaram esses dados por meio de “avaliações ecológicas momentâneas” (EMAs), que utilizam smartphones para fornecer aos pacientes avisos frequentes para avaliar o humor, os níveis de dor e o comportamento várias vezes ao dia.
“Combinamos wearables, EMA e registros clínicos para capturar uma ampla gama de informações sobre os pacientes, desde atividades físicas até relatos subjetivos de dor e saúde mental, e até características clínicas”, disse Lu.
Greenberg acrescentou que as ferramentas estatísticas de última geração que Rodebaugh e Frumkin ajudaram a desenvolver, como a “Modelagem de Equações Estruturais Dinâmicas”, foram fundamentais na análise dos complexos dados longitudinais da EMA.
Para o estudo mais recente, eles pegaram todos esses fatores e desenvolveram uma nova técnica de aprendizado de máquina de “Aprendizagem Multimodal Multitarefa (M3TL)” para combinar efetivamente esses diferentes tipos de dados para prever vários resultados de recuperação.
Nesta abordagem, a IA aprende a pesar a relação entre os resultados enquanto captura as suas diferenças a partir dos dados multimodais, acrescenta Lu.
Este método utiliza informações compartilhadas sobre tarefas inter-relacionadas de previsão de diferentes resultados e, em seguida, aproveita as informações compartilhadas para ajudar o modelo a entender como fazer uma previsão precisa, de acordo com Xu.
Tudo isso se junta no pacote final, produzindo uma mudança prevista na interferência da dor pós-operatória e na pontuação da função física de cada paciente.
Greenberg diz que o estudo está em andamento enquanto eles continuam a ajustar seus modelos para que possam fazer avaliações mais detalhadas, prever resultados e, mais notavelmente, “compreender que tipos de fatores podem ser potencialmente modificados para melhorar os resultados de longo prazo”.
Este estudo foi financiado por doações da AO Spine North America, da Cervical Spine Research Society, da Scoliosis Research Society, da Foundation for Barnes-Jewish Hospital, da Washington University/BJC Healthcare Big Ideas Competition, da Fullgraf Foundation e do National Institute of Mental Saúde (1F31MH124291-01A).
.
