A implementação de algoritmos de aprendizado de máquina para predizer deterioração clínica em hospitais adultos melhora desfechos clínicos e quais fatores influenciam o sucesso?
Resposta curta: Revisão sistemática sobre algoritmos de aprendizado de máquina para deterioração clínica. Quatro grupos relataram redução da mortalidade hospitalar, um significativamente. Fatores como trials silenciosos e piloto, regressão logística com menos de 39 variáveis e mitigação da fadiga de alertas foram associados a melhores resultados. Barreiras, facilitadores e incertezas foram mapeados para orientar implementadores.
Resposta
A revisão sistemática teve como objetivo identificar fatores que influenciam a implementação de algoritmos de aprendizado de máquina (MLAs) para predizer deterioração clínica em pacientes adultos hospitalizados e relacioná-los a um framework de implementação validado. Foram incluídos estudos de MLAs implementados ou testados em tempo real, avaliando como a implementação foi medida, o impacto nos processos clínicos e desfechos dos pacientes, além de barreiras, facilitadores e incertezas.
Os resultados mostraram artigos relacionados a grupos de MLAs, cada um testando ou implementando um algoritmo sob medida. Foram identificadas métricas distintas de avaliação de implementação. Quatro grupos relataram diminuição da mortalidade hospitalar, sendo um deles com significância estatística. Também foram mapeadas barreiras, facilitadores e incertezas, distribuídas nas cinco etapas do framework SALIENT.
A discussão apontou que o desempenho dos algoritmos diminuiu entre as etapas in silico e de trial. A inclusão de trials silenciosos e piloto foi associada à redução da mortalidade, assim como o uso de algoritmos de regressão logística com menos de 39 variáveis. A mitigação da fadiga de alertas por meio de supressão de alertas e configuração de limiares foi comumente empregada entre os grupos.
Conclui-se que há evidências de que a implementação real de MLAs para predição de deterioração clínica pode melhorar desfechos clínicos. Os fatores identificados como influenciadores do sucesso ou fracasso da implementação podem ser mapeados para diferentes estágios, oferecendo orientação prática para implementadores.
Para o médico brasileiro, esses achados sugerem que a adoção de ferramentas de IA na prática clínica deve considerar não apenas o desempenho do algoritmo, mas também estratégias de implementação, como testes preliminares e gestão de alertas, para maximizar benefícios e minimizar riscos.
O que o estudo mostrou
Revisão sistemática de estudos de MLAs em tempo real para deterioração clínica, identificando artigos sobre grupos de algoritmos. Foram encontradas métricas de avaliação de implementação. Quatro grupos relataram redução da mortalidade hospitalar, um significativamente. Foram mapeadas barreiras, facilitadores e incertezas nas cinco etapas do framework SALIENT. O desempenho dos algoritmos caiu entre as etapas in silico e de trial. A inclusão de trials silenciosos e piloto e o uso de regressão logística com menos de 39 variáveis foram associados à redução da mortalidade. A mitigação da fadiga de alertas foi comum.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre heterogeneidade entre os algoritmos e populações. Também não são descritas limitações específicas da revisão, como viés de publicação ou variação nos critérios de inclusão. A ausência de dados sobre amostra total e características dos pacientes impede generalizações. Além disso, a maioria dos achados é descritiva e não permite estabelecer causalidade.
Aplicação no consultório
Os achados orientam o médico a considerar a implementação de ferramentas de IA de forma estruturada, incluindo testes piloto e monitoramento de alertas para evitar fadiga. Na gestão do consultório, é importante avaliar não só a acurácia do algoritmo, mas também o impacto nos fluxos de trabalho e a necessidade de treinamento da equipe. A escolha de modelos mais simples, como regressão logística com menos variáveis, pode facilitar a implementação. O mapeamento de barreiras e facilitadores pode guiar a adaptação local.
Estudo citado
Systematic review and longitudinal analysis of implementing Artificial Intelligence to predict clinical deterioration in adult hospitals: what is known and what remains uncertain. Journal of the American Medical Informatics Association : JAMIA, 2024.
Autores: van der Vegt AH, Campbell V, Mitchell I, Malycha J, Simpson J, Flenady T, Flabouris A, Lane PJ, Mehta N, Kalke VR, Decoyna JA, Es'haghi N, Liu CH, Scott IA.
DOI: 10.1093/jamia/ocad220 · PubMed: PMID 37964688
Perguntas para aprofundar
- Quais estratégias são eficazes para reduzir a fadiga de alertas em sistemas de predição de deterioração clínica?
- Como o desempenho de algoritmos de aprendizado de máquina para deterioração clínica se compara entre diferentes estágios de implementação?
- Quais fatores organizacionais facilitam ou dificultam a implementação de IA para predição de deterioração em hospitais?
Mais sobre IA em telemedicina e monitoramento remoto
- Quais são os impactos das aplicações de inteligência artificial na prática de enfermagem e nos desfechos dos pacientes?
- Tecnologias de Internet das Coisas e aprendizado de máquina podem auxiliar no diagnóstico, monitoramento e manejo da doença de Parkinson?
- Como o aprendizado de máquina tem sido aplicado em emergências médicas, segundo uma revisão sistemática e análise de aplicativos?
- A inteligência artificial já pode ser implementada na prática clínica de emergências virtuais?
- A inteligência artificial já transforma o cuidado do diabetes pediátrico em desfechos clínicos concretos?
Todas as perguntas sobre IA em telemedicina e monitoramento remoto · Todos os temas · Versão em markdown