Regulação e validação clínica de IA

Quais fatores influenciam a implementação de aplicações de aprendizado de máquina em organizações de saúde?

Resposta

A revisão sistemática analisou 34 estudos empíricos sobre a implementação de aplicações de aprendizado de máquina (ML) em ambientes clínicos, com o objetivo de examinar as características dessas aplicações e o processo de implementação, além de sintetizar estratégias adotadas por organizações de saúde. A maioria das aplicações foi implementada em hospitais e focou em prognóstico e diagnóstico.

Utilizando o Consolidated Framework for Implementation Research (CFIR), os autores identificaram dimensões relevantes em diferentes domínios. No domínio do contexto interno, destacaram-se o acesso a conhecimento e informação, a infraestrutura de tecnologia da informação e a cultura organizacional. Em relação à inovação em si, o design da aplicação, a vantagem relativa em comparação à prática clínica existente e a complexidade percebida foram fatores importantes.

Nos demais domínios, o engajamento das partes interessadas, a avaliação reflexiva das práticas e a presença de líderes de implementação foram os principais fatores apontados. Os autores observam que, embora a confiança (trust) em tecnologias de ML tenha emergido como relevante, muitos fatores identificados não são específicos de ML, mas transversais a tecnologias digitais em saúde.

A revisão conclui que mais pesquisas são necessárias para esclarecer os fatores relevantes para a implementação de aplicações de ML no nível organizacional e para apoiar sua adoção nas organizações de saúde. O resumo não informa detalhes sobre a amostra de pacientes ou profissionais envolvidos nos estudos primários, nem sobre limitações metodológicas específicas.

Para o médico brasileiro, os achados reforçam a importância de considerar aspectos organizacionais e contextuais ao planejar a incorporação de ferramentas de ML na prática clínica, indo além das características técnicas da inovação.

O que o estudo mostrou

Trata-se de uma revisão sistemática da literatura, seguindo as diretrizes PRISMA, que buscou estudos empíricos publicados entre 2013 e 2023 em PubMed, Scopus e Web of Science. Foram selecionados 34 estudos para síntese. As aplicações de ML foram implementadas principalmente em hospitais (29/34, 85%) e apoiavam principalmente prognóstico (20/34, 59%) e diagnóstico (10/34, 29%). A análise temática baseada no CFIR identificou fatores como acesso a conhecimento e informação (12/34, 35%), infraestrutura de TI (11/34, 32%), cultura organizacional (9/34, 26%), design da inovação (15/34, 44%), vantagem relativa (14/34, 41%), complexidade percebida (14/34, 41%), engajamento das partes interessadas (12/34, 35%), avaliação reflexiva das práticas (11/34, 32%) e presença de líderes de implementação (9/34, 26%).

Limitações

O resumo não informa limitações metodológicas específicas da revisão, como viés de publicação ou heterogeneidade dos estudos incluídos. Também não detalha a qualidade dos estudos primários nem o contexto geográfico ou organizacional em que foram realizados. Os autores destacam que mais pesquisas são necessárias para esclarecer os fatores relevantes no nível organizacional.

Aplicação no consultório

Os achados podem orientar médicos e gestores de consultórios a considerar aspectos organizacionais ao avaliar a adoção de ferramentas de ML, como a infraestrutura de TI disponível, a cultura da equipe e o engajamento dos profissionais. A identificação de líderes de implementação e a avaliação reflexiva das práticas também são pontos a serem observados. O resumo não fornece recomendações específicas para consultórios individuais, mas destaca a importância de fatores contextuais para o sucesso da implementação.

Estudo citado

Implementation of Machine Learning Applications in Health Care Organizations: Systematic Review of Empirical Studies. Journal of medical Internet research, 2024.
Autores: Preti LM, Ardito V, Compagni A, Petracca F, Cappellaro G.
DOI: 10.2196/55897 · PubMed: PMID 39586084

Perguntas para aprofundar

• Quais estratégias podem facilitar a implementação de ferramentas de aprendizado de máquina em consultórios médicos?
• Como a cultura organizacional influencia a adoção de tecnologias de aprendizado de máquina na prática clínica?
• Quais são os principais desafios para a implementação de aplicações de aprendizado de máquina em organizações de saúde?

Mais sobre Regulação e validação clínica de IA

• A análise de ECG por inteligência artificial já é confiável para prever diabetes na prática clínica?
• Como a inteligência artificial e o aprendizado de máquina têm sido aplicados em cirurgia ambulatorial?
• A análise de EEG com inteligência artificial já é confiável para apoiar o diagnóstico de transtornos neurológicos e oculomotores na prática clínica?
• Modelos de inteligência artificial e aprendizado de máquina para segmentação e quantificação de malformações arteriovenosas cerebrais têm potencial para uso clínico?
• A inteligência artificial e o aprendizado de máquina são eficazes para prever desfechos clínicos após artroscopia de quadril para síndrome do impacto femoroacetabular?

Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown