IA na atenção primária

Como a análise de decisão e o aprendizado por reforço podem auxiliar na tomada de decisão cirúrgica?

Resposta

A revisão aborda os desafios da tomada de decisão cirúrgica, que frequentemente envolve erros cognitivos e de julgamento devido a restrições de tempo e incerteza sobre diagnósticos e respostas ao tratamento. Ferramentas tradicionais de apoio à decisão são limitadas por exigirem entrada manual de dados e representações simplificadas dos pacientes.

A análise de decisão, por meio do cálculo de limiares de probabilidade, pode embasar recomendações populacionais que consideram riscos, benefícios, custos e valores dos pacientes, mas não oferece precisão para decisões individualizadas. Já o aprendizado por reforço, uma técnica de aprendizado de máquina que imita o aprendizado humano, utiliza grandes conjuntos de dados específicos do paciente para identificar ações com maior probabilidade de alcançar um objetivo.

Essa metodologia lida com sequências de eventos sob condições incertas, o que pode trazer vantagens para a tomada de decisão personalizada e centrada no paciente. No entanto, a aplicação clínica exigiria integração segura de múltiplas fontes de dados e consideração de aspectos éticos, como responsabilidade por erros e preferências individuais.

A conclusão é que as ferramentas tradicionais não acomodam bem restrições de tempo e incerteza, e que a análise de decisão e o aprendizado por reforço podem desempenhar papéis complementares para um julgamento sólido e decisões ótimas, contribuindo para um cuidado cirúrgico de alto valor.

O que o estudo mostrou

Revisão sistemática de escopo que buscou nas bases Cochrane, EMBASE e PubMed desde o início até junho de 2019, incluindo 41 artigos sobre erros cognitivos e diagnósticos, tomada de decisão, análise de decisão e aprendizado de máquina. Os achados indicam que ferramentas tradicionais de apoio à decisão são limitadas por exigirem entrada manual de dados e representações simplificadas. A análise de decisão calcula limiares de probabilidade para recomendações populacionais, mas falta precisão individual. O aprendizado por reforço pode usar dados específicos do paciente para identificar ações com maior probabilidade de atingir um objetivo, oferecendo potencial para decisões personalizadas.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre heterogeneidade ou viés de publicação. Por ser uma revisão de escopo, não fornece estimativas quantitativas de efeito. Além disso, não são apresentados dados empíricos sobre a aplicação clínica das técnicas, apenas uma discussão teórica. O resumo também não informa limitações específicas dos estudos originais.

Aplicação no consultório

Para o médico brasileiro, o artigo sugere que ferramentas tradicionais de apoio à decisão têm limitações e que técnicas como análise de decisão e aprendizado por reforço podem, no futuro, auxiliar em decisões personalizadas. No entanto, a aplicação clínica ainda requer integração segura de dados e considerações éticas. Na gestão do consultório, é importante estar atento a essas inovações, mas sem expectativas imediatas, pois a implementação demanda infraestrutura e validação. O texto não fornece recomendações práticas diretas para o consultório.

Estudo citado

Decision analysis and reinforcement learning in surgical decision-making. Surgery, 2020.
Autores: Loftus TJ, Filiberto AC, Li Y, Balch J, Cook AC, Tighe PJ, Efron PA, Upchurch GR, Rashidi P, Li X, Bihorac A.
DOI: 10.1016/j.surg.2020.04.049 · PubMed: PMID 32540036

Perguntas para aprofundar

• Quais são as limitações das ferramentas tradicionais de apoio à decisão cirúrgica?
• Como o aprendizado por reforço pode ser aplicado na prática cirúrgica?
• Quais aspectos éticos devem ser considerados ao usar aprendizado de máquina na decisão cirúrgica?

Mais sobre IA na atenção primária

• A combinação de QDRS e marcador digital passivo em prontuário eletrônico aumenta a detecção de demência na atenção primária?
• Um sistema de apoio à decisão clínica baseado em aprendizado de máquina pode melhorar o manejo da síndrome pós-embolização por enfermeiros e os desfechos dos pacientes?
• Aprendizado de máquina com registros eletrônicos de saúde pode prever depressão na prática clínica?
• Métodos de aprendizado de máquina aplicados a dados de desfechos relatados pelo paciente podem prever desfechos em dor lombar e cervical inespecíficas?
• Estratégias sistemáticas baseadas em prontuário eletrônico, incluindo algoritmos e modelos genômicos, são eficazes para identificar hipercolesterolemia familiar em adultos?

Todas as perguntas sobre IA na atenção primária · Todos os temas · Versão em markdown