IA em triagem e prontuário eletrônico

Algoritmos eletrônicos para identificar tabagismo em prontuários e bases administrativas são válidos para uso clínico e de pesquisa?

Resposta

A identificação do status de tabagismo em bases eletrônicas de saúde é relevante para a prática clínica e para a gestão do consultório, pois permite estratificar risco e direcionar intervenções. Esta revisão sistemática com meta-análise avaliou algoritmos de determinação de tabagismo em bases administrativas e prontuários eletrônicos, descrevendo suas características e validade.

Foram incluídos 57 artigos e identificados 116 algoritmos. A maioria (71,6%) baseou-se em dados de prontuários eletrônicos, e cerca de metade utilizou modelos de aprendizado de máquina. Os algoritmos foram construídos principalmente com códigos de diagnóstico para condições relacionadas ao tabagismo, mas também com códigos de prescrição de tratamentos para cessação.

As estimativas agrupadas de valor preditivo positivo, sensibilidade e especificidade foram 0,843, 0,672 e 0,918, respectivamente. A sensibilidade e a especificidade variaram amplamente entre os algoritmos (3 a 100% e 36 a 100%, respectivamente). Algoritmos baseados em modelos tiveram sensibilidade significativamente maior que os baseados em regras (p = 0,006), e algoritmos para prontuários eletrônicos tiveram maior sensibilidade que os para dados administrativos (p = 0,001).

O risco de viés foi baixo na maioria dos artigos avaliados (76,3%). Os autores concluem que muitos algoritmos têm baixa sensibilidade e valor preditivo positivo, mas a fonte de dados influencia a validade. Algoritmos baseados em aprendizado de máquina para múltiplas fontes de dados vinculadas apresentaram validade aprimorada.

Para o médico, esses achados sugerem que a escolha do algoritmo deve considerar a fonte de dados e o método de construção, pois a acurácia pode variar substancialmente. Na gestão do consultório, é importante conhecer as limitações dos sistemas eletrônicos utilizados e validar localmente as ferramentas de identificação de tabagismo antes de aplicá-las em decisões clínicas ou programas de rastreamento.

O que o estudo mostrou

Revisão sistemática com meta-análise que seguiu as diretrizes PRISMA e buscou artigos publicados de 1990 a 2022 em EMBASE, MEDLINE, Scopus e Web of Science. Foram selecionados 57 artigos e identificados 116 algoritmos. A maioria (71,6%) baseou-se em prontuários eletrônicos, e cerca de metade utilizou aprendizado de máquina. As estimativas agrupadas de valor preditivo positivo, sensibilidade e especificidade foram 0,843, 0,672 e 0,918. A sensibilidade e a especificidade variaram de 3 a 100% e de 36 a 100%, respectivamente. Algoritmos baseados em modelos tiveram maior sensibilidade que os baseados em regras (p = 0,006), e algoritmos para prontuários eletrônicos tiveram maior sensibilidade que os para dados administrativos (p = 0,001). O risco de viés foi baixo em 76,3% dos artigos avaliados.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos primários além do risco de viés, nem sobre possíveis vieses de publicação. A alta heterogeneidade entre os algoritmos limita a generalização das estimativas agrupadas. O resumo também não descreve as populações incluídas nem os critérios de referência utilizados, o que restringe a interpretação da validade em diferentes contextos clínicos.

Aplicação no consultório

Os achados reforçam que a identificação eletrônica do tabagismo pode ser útil, mas apresenta sensibilidade limitada e variável. Na prática clínica, isso significa que depender apenas de códigos ou algoritmos pode subestimar a prevalência do tabagismo. Para a gestão do consultório, é prudente combinar diferentes fontes de dados e validar localmente os algoritmos antes de usá-los em programas de rastreamento ou estratificação de risco. Além disso, algoritmos baseados em aprendizado de máquina e em prontuários eletrônicos podem oferecer melhor desempenho, mas exigem infraestrutura e governança de dados adequadas.

Estudo citado

The validity of electronic health data for measuring smoking status: a systematic review and meta-analysis. BMC medical informatics and decision making, 2024.
Autores: Haque MA, Gedara MLB, Nickel N, Turgeon M, Lix LM.
DOI: 10.1186/s12911-024-02416-3 · PubMed: PMID 38308231

Perguntas para aprofundar

• Como escolher o algoritmo de identificação de tabagismo mais adequado para a minha base de dados?
• Quais são os principais vieses que afetam a validade de algoritmos eletrônicos para tabagismo?
• Algoritmos de aprendizado de máquina superam os baseados em regras na identificação de tabagismo em prontuários eletrônicos?

Mais sobre IA em triagem e prontuário eletrônico

• Incorporar informações de texto livre de prontuários eletrônicos aos códigos melhora a detecção de casos em pesquisas clínicas?
• O processamento de linguagem natural é superior aos métodos tradicionais para identificar desfechos cirúrgicos em prontuários eletrônicos?
• Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?
• Modelos de machine learning são eficazes para prever eventos adversos a medicamentos em pacientes ambulatoriais?
• Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?

Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown