IA em triagem e prontuário eletrônico

Como técnicas de processamento de linguagem natural e aprendizado de máquina podem ser aplicadas à experiência do paciente em texto livre?

Resposta

A revisão sistemática teve como objetivo avaliar o uso de processamento de linguagem natural (PLN) e aprendizado de máquina (ML) para processar e analisar dados de experiência do paciente em texto livre. Os autores buscaram artigos publicados entre janeiro de 2000 e dezembro de 2019 em bases de dados, incluindo estudos que examinassem PLN para analisar feedback de pacientes em formato de texto livre.

Os artigos incluídos foram analisados e a maioria (80%) aplicou técnicas de análise de linguagem em feedback de pacientes provenientes de mídias sociais (não solicitado), seguido por pesquisas estruturadas (solicitado). Aprendizado supervisionado foi frequentemente utilizado (n=9), seguido por não supervisionado (n=6) e semissupervisionado (n=3). Comentários extraídos de mídias sociais foram analisados com abordagem não supervisionada, enquanto comentários de texto livre em pesquisas estruturadas foram analisados com abordagem supervisionada.

As métricas de desempenho relatadas incluíram precisão, recall e F-measure, com máquina de vetores de suporte (SVM) e Naïve Bayes sendo os classificadores de ML com melhor desempenho. Os autores concluem que PLN e ML emergiram como ferramentas importantes para processar texto livre não estruturado, e ambas as abordagens (supervisionada e não supervisionada) têm seu papel dependendo da fonte de dados.

Com o avanço das ferramentas de análise de dados, essas técnicas podem ser úteis para organizações de saúde gerarem insights a partir dos volumes de dados de texto livre não estruturado. A revisão destaca a heterogeneidade dos estudos, o que levou à síntese narrativa, e fornece uma visão geral das metodologias e métricas utilizadas na área.

O que o estudo mostrou

Revisão sistemática que incluiu dezenove artigos publicados entre janeiro de 2000 e dezembro de 2019. A maioria (80%) dos estudos aplicou técnicas de análise de linguagem em feedback de pacientes de mídias sociais (não solicitado), seguido por pesquisas estruturadas (solicitado). Aprendizado supervisionado foi usado em 9 estudos, não supervisionado em 6 e semissupervisionado em 3. Comentários de mídias sociais foram analisados com abordagem não supervisionada, e comentários de pesquisas estruturadas com abordagem supervisionada. Métricas incluíram precisão, recall e F-measure, com SVM e Naïve Bayes tendo melhor desempenho.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de publicação. A heterogeneidade dos estudos levou à síntese narrativa, o que limita comparações quantitativas. O resumo também não informa o tamanho das amostras dos estudos primários nem as limitações específicas de cada um.

Aplicação no consultório

Para o médico, a revisão sugere que técnicas de PLN e ML podem ser aplicadas para analisar feedback de pacientes em texto livre, como comentários em pesquisas de satisfação ou redes sociais. Isso pode auxiliar na gestão do consultório, permitindo identificar temas recorrentes e áreas de melhoria sem a necessidade de análise manual extensiva. No entanto, a escolha da abordagem (supervisionada ou não supervisionada) depende da fonte de dados, e a implementação requer conhecimento técnico especializado.

Estudo citado

Applying natural language processing and machine learning techniques to patient experience feedback: a systematic review. BMJ health & care informatics, 2021.
Autores: Khanbhai M, Anyadi P, Symons J, Flott K, Darzi A, Mayer E.
DOI: 10.1136/bmjhci-2020-100262 · PubMed: PMID 33653690

Perguntas para aprofundar

• Quais são as vantagens e desvantagens do aprendizado supervisionado versus não supervisionado na análise de feedback de pacientes?
• Como clínicos podem utilizar os insights gerados por PLN e ML para melhorar a experiência do paciente?
• Quais métricas de desempenho são mais adequadas para avaliar modelos de PLN em dados de saúde?

Mais sobre 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?
• 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?
• O uso de texto clínico não estruturado em aprendizado de máquina melhora a predição e detecção precoce de sepse?
• 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