Um modelo automatizado de fenotipagem por registros eletrônicos de saúde pode identificar com precisão pacientes com epilepsia?
Resposta curta: Sim. Um estudo que desenvolveu um modelo de fenotipagem automatizada com aprendizado de máquina, usando dados não estruturados de prontuários, códigos ICD e prescrições de fármacos antiepilépticos, alcançou AUROC e AUPRC de 1 (IC 95% = .99-1.00) em conjunto de teste independente, demonstrando alta acurácia na identificação de pacientes com epilepsia.
Resposta
A identificação de pacientes com epilepsia em bases de dados de registros eletrônicos de saúde (EHR) é tradicionalmente trabalhosa, pois depende da revisão manual de prontuários. O estudo propõe um modelo de fenotipagem automatizada (AEP) que utiliza aprendizado de máquina para reconhecer padrões associados ao diagnóstico de epilepsia, combinando informações estruturadas e não estruturadas.
Os pesquisadores extraíram dados de 3903 adultos atendidos em ambulatórios de nove hospitais entre fevereiro de 2015 e junho de 2022. O padrão-ouro foi obtido por questionários preenchidos por médicos e revisão manual de prontuários com software customizado. As características do modelo incluíram indicadores de palavras-chave e frases em notas clínicas, prescrições de fármacos antiepilépticos (ASMs), códigos ICD para crises epilépticas e epilepsia, número de ASMs e de códigos ICD relacionados, além de idade e sexo.
Os dados foram divididos aleatoriamente em conjuntos de treinamento (70%) e teste (30%), com pacientes distintos em cada conjunto. Foram treinados modelos de regressão logística regularizada e de gradient boosting extremo. O desempenho foi avaliado pelas áreas sob a curva ROC (AUROC) e sob a curva precisão-revocação (AUPRC), com intervalos de confiança de 95% estimados por bootstrapping.
O modelo final incluiu 285 características, sendo 246 palavras-chave e frases capturadas de 8415 encontros. Ambos os modelos alcançaram AUROC e AUPRC de 1 (IC 95% = .99-1.00) no conjunto de teste, indicando discriminação quase perfeita. Os autores concluem que a abordagem de AEP baseada em aprendizado de máquina pode identificar com acurácia pacientes com epilepsia a partir de notas, códigos ICD e ASMs, viabilizando pesquisas em larga escala com bases de EHR.
O que o estudo mostrou
Estudo de desenvolvimento e validação de modelo de fenotipagem automatizada com aprendizado de máquina, incluindo 3903 adultos de ambulatórios de nove hospitais (fevereiro de 2015 a junho de 2022). Foram extraídas 285 características de dados estruturados e não estruturados. Os modelos de regressão logística regularizada e gradient boosting extremo alcançaram AUROC e AUPRC de 1 (IC 95% = .99-1.00) no conjunto de teste independente, demonstrando alta acurácia na identificação de epilepsia.
Limitações
O resumo não informa detalhes sobre possíveis vieses de seleção da amostra, nem sobre a aplicabilidade do modelo em outras populações ou instituições. A dependência de palavras-chave e frases específicas pode limitar a generalização. Além disso, o desempenho quase perfeito pode refletir particularidades do conjunto de dados, e o resumo não descreve análise de calibração ou de subgrupos.
Aplicação no consultório
Para o médico, a fenotipagem automatizada pode agilizar a identificação de pacientes com epilepsia em prontuários eletrônicos, reduzindo o tempo de revisão manual e apoiando a gestão de coortes para pesquisas clínicas e auditorias. No consultório, a implementação exigiria integração com sistemas de EHR e validação local, mas os resultados sugerem potencial para triagem eficiente e acompanhamento populacional, desde que respeitadas as limitações de generalização.
Estudo citado
Identification of patients with epilepsy using automated electronic health records phenotyping. Epilepsia, 2023.
Autores: Fernandes M, Cardall A, Jing J, Ge W, Moura LMVR, Jacobs C, McGraw C, Zafar SF, Westover MB.
DOI: 10.1111/epi.17589 · PubMed: PMID 36934317
Perguntas para aprofundar
- Como a fenotipagem automatizada pode ser integrada ao prontuário eletrônico para identificar pacientes com epilepsia na prática clínica?
- Quais são os desafios de implementar modelos de aprendizado de máquina para fenotipagem de epilepsia em diferentes contextos hospitalares?
- A fenotipagem automatizada poderia substituir a revisão manual de prontuários na pesquisa clínica em epilepsia?
Mais sobre Escriba ambiental e documentação clínica com IA
- A inteligência artificial pode gerar sumários de alta do pronto-socorro com qualidade comparável às notas médicas originais?
- Formulários estruturados ou texto livre: qual fonte de dados do prontuário eletrônico mede melhor a atividade de planejamento antecipado de cuidados?
- Resumos de alta gerados por modelo de linguagem amplo melhoram a ativação do paciente em comparação com resumos padrão?
- Em pacientes hospitalizados, um aplicativo móvel com mapeamento ICF por inteligência artificial reduz o tempo de documentação e mantém a concordância com a avaliação clínica?
- Como a inteligência artificial e o aprendizado de máquina podem ser aplicados na prática clínica cardiovascular?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown