Escriba ambiental e documentação clínica com IA

Como o processamento de linguagem natural pode melhorar a revisão de morbimortalidade em comparação com o banco de dados MARS?

Resposta

A revisão de morbimortalidade é uma ferramenta educacional importante para médicos em formação e prática, mas depende da identificação precisa de complicações. Métodos tradicionais, como bancos de dados de notificação voluntária, podem não capturar todos os eventos. O estudo comparou uma metodologia de processamento de linguagem natural com suplementação manual (ms-NLP) com o sistema MARS, um banco de dados validado de eventos adversos, para avaliar a utilidade do NLP na revisão de morbimortalidade.

Foram analisadas 7774 admissões em três centros médicos acadêmicos. O MARS identificou 987 casos com 1659 complicações, enquanto o ms-NLP identificou 1296 complicações em 670 casos. O MARS detectou 611 casos (62%) e o ms-NLP 670 casos (68%). Apenas 299 casos (30,3%) foram identificados por ambos os métodos, indicando baixa sobreposição. Além disso, o MARS identificou mais complicações com dano maior (457, 46,30%) do que o ms-NLP.

Os resultados sugerem que tanto o banco de dados prospectivo quanto a revisão por ms-NLP deixam de identificar uma proporção significativa de complicações pós-operatórias. O ms-NLP tende a identificar mais casos com complicações menores, enquanto a notificação voluntária prospectiva identifica mais complicações maiores. Isso indica que as duas abordagens capturam aspectos diferentes do espectro de complicações.

Os autores concluem que o benefício educacional da notificação e análise de dados de complicações pode ser suplementado pelo ms-NLP, mas não substituído por ele no momento atual. A implementação de ferramentas de NLP pode auxiliar na identificação de eventos que passariam despercebidos pela notificação voluntária, mas a combinação de métodos parece necessária para uma visão mais completa.

Para a prática clínica e a gestão do consultório, os achados reforçam a importância de múltiplas estratégias para identificar complicações e melhorar a qualidade do cuidado. O uso de NLP em resumos de alta pode ser uma ferramenta complementar, mas requer validação e integração com sistemas existentes. A revisão de morbimortalidade continua sendo um processo educacional valioso que pode se beneficiar de tecnologias de apoio.

O que o estudo mostrou

Estudo comparativo entre o banco de dados MARS e uma metodologia de processamento de linguagem natural com suplementação manual (ms-NLP) para identificar complicações em resumos de alta de internações cirúrgicas em três centros médicos acadêmicos. Foram analisadas 7774 admissões, com 987 casos e 1659 complicações identificadas pelo MARS, e 1296 complicações pelo ms-NLP. O MARS identificou 611 casos (62%) e o ms-NLP 670 casos (68%), com sobreposição de apenas 299 casos (30,3%). O MARS detectou mais complicações com dano maior (457, 46,30%) do que o ms-NLP.

Limitações

O resumo não informa detalhes sobre o desenho do estudo, critérios de seleção da amostra, ou características dos centros participantes. Não são descritas limitações metodológicas do ms-NLP ou do MARS, nem a forma de validação dos escores de Clavien-Dindo. A generalização dos achados para outros contextos não é discutida. O resumo também não aborda custos ou viabilidade de implementação do ms-NLP.

Aplicação no consultório

Os achados indicam que nenhum método isolado identifica todas as complicações pós-operatórias. Na prática clínica, isso sugere a necessidade de combinar estratégias de notificação voluntária com ferramentas automatizadas, como o NLP, para melhorar a detecção de eventos adversos. Para a gestão do consultório, investir em tecnologias de apoio à revisão de morbimortalidade pode complementar os processos educacionais e de melhoria da qualidade, mas não substituir a análise crítica humana. A implementação deve considerar a integração com sistemas existentes e a capacitação da equipe.

Estudo citado

Practice-Based Learning and Improvement: Improving Morbidity and Mortality Review Using Natural Language Processing. The Journal of surgical research, 2023.
Autores: Kobritz M, Patel V, Rindskopf D, Demyan L, Jarrett M, Coppa G, Antonacci AC.
DOI: 10.1016/j.jss.2022.10.075 · PubMed: PMID 36427445

Perguntas para aprofundar

• Qual é a acurácia do processamento de linguagem natural na identificação de complicações cirúrgicas em comparação com a revisão manual?
• Como o processamento de linguagem natural pode ser integrado à revisão de morbimortalidade para melhorar a educação médica?
• Quais são as limitações e os desafios da implementação de ferramentas de NLP na prática clínica diária?

Mais sobre Escriba ambiental e documentação clínica com IA

• Como o processamento de linguagem natural pode ser usado para analisar dados não estruturados de desfechos relatados por pacientes oncológicos em prontuários eletrônicos?
• O processamento de linguagem natural pode automatizar a identificação de quedas hospitalares a partir de prontuários eletrônicos?
• A inteligência artificial já pode automatizar a codificação ICD de forma confiável na prática clínica?
• Como o processamento de linguagem natural pode avaliar a adesão de pediatras às diretrizes de prevenção da alergia ao amendoim?
• Como a inteligência artificial e o aprendizado de máquina podem ser aplicados na radioterapia oncológica, incluindo visão computacional e processamento de linguagem natural?

Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown