IA em triagem e prontuário eletrônico

Como o processamento de linguagem natural em prontuários eletrônicos pode apoiar a decisão clínica e quais são as limitações atuais?

Resposta

A revisão sistemática analisou 127 artigos sobre o uso de processamento de linguagem natural (PNL) em prontuários eletrônicos para apoio à decisão em saúde. Os autores identificaram sete categorias de aplicações, incluindo classificação de notas médicas, reconhecimento de entidades clínicas, sumarização de texto, arquiteturas de aprendizado profundo e transferência de aprendizado, extração de informações e tradução de linguagem médica.

Os resultados mostram que o prontuário eletrônico foi o tipo de dado mais comum entre os artigos selecionados, com conjuntos de dados majoritariamente não estruturados. Diversos métodos de aprendizado de máquina e aprendizado profundo foram empregados, sendo a predição ou classificação a aplicação mais frequente. Os casos de uso mais comuns incluíram a classificação pela CID-9, a análise de notas clínicas e o reconhecimento de entidades nomeadas para descrições clínicas e pesquisas em transtornos psiquiátricos.

Os autores concluem que os modelos de aprendizado de máquina adotados não foram avaliados de forma adequada. Além disso, o problema de desequilíbrio de dados é bastante importante, e ainda são necessárias técnicas para abordar essa questão subjacente. Estudos futuros devem enfrentar limitações importantes, principalmente identificando nefrite lúpica, tentativas de suicídio, autolesão perinatal e classificação pela CID-9.

Para o médico, a revisão reforça que a aplicação de PNL em prontuários eletrônicos é promissora, mas ainda carece de validação robusta e de ferramentas automatizadas confiáveis. A ausência de dados anotados e a falta de avaliação adequada dos modelos limitam a incorporação dessas tecnologias na prática clínica diária e na gestão do consultório.

O resumo não informa detalhes sobre a amostra de pacientes ou o desenho dos estudos incluídos, apenas que se trata de uma revisão sistemática seguindo as diretrizes PRISMA, com 127 artigos revisados na íntegra. Portanto, as conclusões devem ser interpretadas com cautela e não permitem afirmar benefícios clínicos diretos.

O que o estudo mostrou

Revisão sistemática seguindo as diretrizes PRISMA, que incluiu 127 artigos após triagem de 261 em 11 bases de dados. Os artigos foram classificados em sete categorias de aplicações de PNL em prontuários eletrônicos. O prontuário eletrônico foi o tipo de dado mais comum, com conjuntos não estruturados. Métodos de aprendizado de máquina e profundo foram usados, principalmente para predição ou classificação. Os casos de uso mais frequentes foram classificação pela CID-9, análise de notas clínicas e reconhecimento de entidades nomeadas para descrições clínicas e pesquisas em transtornos psiquiátricos. Os autores concluíram que os modelos não foram adequadamente avaliados e que o desequilíbrio de dados é um problema importante.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre a amostra de pacientes ou conjuntos de dados específicos. Também não são descritas limitações da própria revisão sistemática. A conclusão de que os modelos não foram adequadamente avaliados e que o desequilíbrio de dados é relevante indica fragilidades nas evidências disponíveis. Estudos futuros devem abordar essas limitações, especialmente em condições como nefrite lúpica, tentativas de suicídio e autolesão perinatal.

Aplicação no consultório

A revisão sugere que ferramentas de PNL para prontuários eletrônicos ainda não estão maduras para uso clínico rotineiro, devido à falta de validação adequada e de dados anotados. Na gestão do consultório, isso implica cautela ao adotar sistemas automatizados de extração de informações ou apoio à decisão. Médicos devem priorizar soluções com avaliação rigorosa e considerar que a implementação pode exigir esforços para anotação de dados e mitigação de desequilíbrios. O resumo não fornece recomendações práticas específicas, apenas aponta limitações e oportunidades de pesquisa.

Estudo citado

Natural Language Processing in Electronic Health Records in relation to healthcare decision-making: A systematic review. Computers in biology and medicine, 2023.
Autores: Hossain E, Rana R, Higgins N, Soar J, Barua PD, Pisani AR, Turner K.
DOI: 10.1016/j.compbiomed.2023.106649 · PubMed: PMID 36805219

Perguntas para aprofundar

• Quais são os principais desafios para implementar processamento de linguagem natural em prontuários eletrônicos na prática clínica?
• Como o desequilíbrio de dados pode afetar a confiabilidade de modelos de aprendizado de máquina em prontuários eletrônicos?
• Quais aplicações de processamento de linguagem natural em prontuários eletrônicos têm sido mais estudadas e quais ainda carecem de validação?

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 uso de processamento de linguagem natural com aprendizado de máquina é eficaz para identificar tromboembolismo venoso em prontuários eletrônicos?
• Como o aprendizado de máquina tem sido aplicado aos registros administrativos de saúde e quais são as limitações dessa abordagem?
• Como técnicas de processamento de linguagem natural e aprendizado de máquina podem ser aplicadas à experiência do paciente em texto livre?
• 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