IA em triagem e prontuário eletrônico

Como o aprendizado de máquina tem sido aplicado na investigação da infecção por Clostridioides difficile e seus desfechos?

Resposta

O aprendizado de máquina (AM) tem sido cada vez mais utilizado na medicina clínica, inclusive em estudos sobre infecção por Clostridioides difficile (ICD), com o objetivo de informar a tomada de decisão clínica. Esta revisão sistemática buscou sumarizar as escolhas metodológicas de AM em estudos que usaram essa abordagem para prever a ICD ou seus desfechos.

Foram incluídos 43 estudos, classificados como de predição (21), classificação (17) ou inferência (5). Quase todos (41; 95%) utilizaram aprendizado supervisionado. Os algoritmos mais frequentes foram regressão logística penalizada (20; 47%) e árvore de classificação (17; 40%). As abordagens para seleção de características e redução de dimensionalidade foram heterogêneas.

A definição da ICD variou: em 21 estudos foi feita por rotulagem durante estudo clínico ou revisão de prontuário; em 13, por fenotipagem eletrônica; e em 9 não foi especificada. Nenhum dos estudos que usaram fenótipo eletrônico descreveu a validação do fenótipo. Métricas foram avaliadas em conjunto de teste separado em 16 (37%) estudos, e apenas sete usaram divisão temporal.

A qualidade do relato também foi avaliada: os itens mais pobremente reportados foram prevenção de vazamento de dados (nenhum estudo), disponibilidade de código (8; 19%) e manejo de desequilíbrio de classes (12; 43%).

Os autores concluem que, embora muitos estudos tenham usado AM para investigar a ICD ou seus desfechos, a fenotipagem eletrônica da ICD foi incomum e a validação do fenótipo não foi relatada em nenhum estudo. As abordagens metodológicas foram heterogêneas. Validar fenótipos eletrônicos da ICD, avaliar o desempenho dos modelos durante um ensaio silencioso e implantar um classificador de ICD para guiar a prática clínica são metas futuras importantes.

O que o estudo mostrou

Revisão sistemática que incluiu 43 estudos publicados que usaram aprendizado de máquina tendo a infecção por Clostridioides difficile como população, exposição ou desfecho. Os estudos foram categorizados em predição (21), classificação (17) e inferência (5). A maioria (41; 95%) usou aprendizado supervisionado, com regressão logística penalizada (20; 47%) e árvore de classificação (17; 40%) como algoritmos mais comuns. A definição da infecção foi por rotulagem clínica ou revisão de prontuário (21), fenotipagem eletrônica (13) ou não especificada (9); nenhum estudo com fenótipo eletrônico relatou validação. Métricas foram avaliadas em conjunto de teste separado em 16 (37%) estudos, e apenas sete usaram divisão temporal. Os itens de relato mais pobres foram prevenção de vazamento de dados (0%), disponibilidade de código (19%) e manejo de desequilíbrio de classes (43%).

Limitações

O resumo não informa limitações explícitas do estudo. A heterogeneidade nas definições de infecção por Clostridioides difficile e nas abordagens de modelagem dificulta comparações. A ausência de validação de fenótipos eletrônicos e a baixa frequência de avaliação em conjunto de teste separado ou com divisão temporal limitam a generalização dos achados. O resumo também não detalha a qualidade metodológica individual dos estudos incluídos.

Aplicação no consultório

Para o médico que atua em consultório ou em gestão de serviços, os achados reforçam a necessidade de cautela ao interpretar modelos de aprendizado de máquina aplicados à infecção por Clostridioides difficile. A heterogeneidade metodológica e a falta de validação de fenótipos eletrônicos sugerem que ferramentas preditivas ainda não estão prontas para uso rotineiro sem validação local. Ao considerar a implementação de sistemas de apoio à decisão, o gestor deve priorizar transparência de código, manejo de desequilíbrio de classes e avaliação em cenários reais. A revisão também destaca a importância de ensaios silenciosos antes da implantação clínica.

Estudo citado

Machine learning approaches to investigate Clostridioides difficile infection and outcomes: A systematic review. International journal of medical informatics, 2022.
Autores: Chen Y, Xi M, Johnson A, Tomlinson G, Campigotto A, Chen L, Sung L.
DOI: 10.1016/j.ijmedinf.2022.104706 · PubMed: PMID 35131699

Perguntas para aprofundar

• Quais algoritmos de aprendizado de máquina são mais usados para prever infecção por Clostridioides difficile?
• Como a fenotipagem eletrônica da infecção por Clostridioides difficile tem sido validada nos estudos?
• Quais são as principais lacunas metodológicas nos estudos de aprendizado de máquina sobre Clostridioides difficile?

Mais sobre IA em triagem e prontuário eletrônico

• Modelos de machine learning são eficazes para prever infecção por Clostridioides difficile e suas complicações?
• Como a aprendizagem de máquina tem sido aplicada aos dados de rotina da UTI e qual a qualidade metodológica desses estudos?
• Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?
• Algoritmos de inteligência artificial são eficazes para prever lesão renal aguda em adultos hospitalizados?
• Modelos de aprendizado de máquina são eficazes para prever deterioração clínica de pacientes hospitalizados?

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