Epimed update – Revisando os escores prognósticos: Inteligência artificial e machine learning: as novas fronteiras dos escores prognósticos em UTI
A digitalização das UTIs fez com que uma quantidade crescente de dados clínicos estivessem disponíveis e fossem coletados à beira do leito. O termo “Big Data” pode ser usado para se referir à análise desses conjuntos com uma quantidade enorme de dados de diferentes origens e formatos. Portanto, complexidade e variedade definem o valor do Big Data.
De fato, a análise retrospectiva desses conjuntos de dados permite gerar novos conhecimentos e, consequentemente, potenciais melhorias na prática clínica. Apesar do início promissor do Big Data na pesquisa médica, que tem visto um número crescente de publicações, apenas algumas aplicações muito limitadas têm sido utilizadas na prática clínica da UTI.
É correto afirmar que, em um futuro próximo, um grande movimento deve ser feito para validar o conhecimento extraído do Big Data clínico e, através de machine learning (ML), criar modelos preditivos e implementá-los na clínica. No entanto, traduzir esses conceitos inovadores para a prática é hoje um dos desafios enfrentados para que cheguem à beira do leito e melhorem efetivamente os cuidados e desfechos de pacientes na UTI.
Contudo, apesar de uma série de desafios e questões em aberto, tudo indica que estamos prontos para fazer bom uso desse grande volume de dados e das novas metodologias (sobretudo machine learning) em uma importante área da medicina intensiva: a avaliação de desempenho de UTIs.
Se hoje os modelos de predição individual de mortalidade ainda enfrentam uma resistência justificada no seu uso prático, por outro lado, sabemos que o uso de ML tem se mostrado valioso para identificar precocemente os pacientes de alto risco (i.e. sepse, delirium), avaliar técnicas de clusterização nas UTIs com maior eficiência clínica e, mais recentemente, tem sido proposto que os tradicionais escores prognósticos sejam substituídos por novos modelos baseados em inteligência artificial (IA) e machine learning.
Por definição, ML é um subconjunto de IA no qual as máquinas aprendem e extraem conhecimento dos dados disponíveis, mas não agem sobre as informações. O aprendizado de máquina é baseado em grandes conjuntos de dados contendo inúmeros exemplos que relacionam uma ou diversas variáveis de entrada a uma única saída, combinando técnicas de análise estatística com ciência da computação para produzir algoritmos capazes de aprendizado estatístico.
As expectativas são de que o algoritmo resultante forneça previsões precisas quando exposto a dados novos e nunca vistos. Algoritmos de machine learning têm sido utilizados para analisar dados armazenados em prontuários médicos eletrônicos, de modo a prever a mortalidade na UTI e o tempo de permanência. Eles também ampliaram a compreensão sobre as populações que podem estar em risco de progressão da doença ou com probabilidade de apresentar complicações.
Entretanto, nas UTIs atuais, os intensivistas precisam lidar com inúmeras informações. Algumas úteis, mas a maioria não. A aplicação criteriosa de aprendizado de máquina pode ser útil para nos ajudar a lidar com a sobrecarga de informações e gerar modelos de predição de mortalidade com melhor desempenho que os escores tradicionais (SAPS, APACHE).
Assim, devemos utilizar as décadas de conhecimento dos escores prognósticos aliados ao melhor do Data Science e das técnicas de ML para aprimorar a performance dos modelos prognósticos. O momento de aplicar essas ferramentas no mundo real e em larga escala, visando melhorar a avaliação de desempenho das UTIs, não está próximo. Na verdade, ele já chegou.
Para artigos de referência sobre o tema, veja:
ICU severity of illness scores: APACHE, SAPS and MPM
Artificial Intelligence in the Intensive Care Unit
An awakening in medicine: the partnership of humanity and intelligent machines
Data-driven ICU management: Using Big Data and algorithms to improve outcomes
Fique por dentro das nossas comunicações e acompanhe a série Epimed Update — Revisando os escores prognósticos!
Autor: Dr. Jorge Salluh, cofundador e diretor científico da Epimed Solutions.
