Incorporar informações de texto livre de prontuários eletrônicos aos códigos melhora a detecção de casos em pesquisas clínicas?
Resposta curta: Sim. Uma revisão sistemática mostrou que combinar códigos com texto livre de prontuários eletrônicos aumentou a sensibilidade mediana de 62% para 78% e a área sob a curva ROC de 88% para 95%, em comparação ao uso isolado de códigos. Não houve diferença clara entre métodos baseados em regras e aprendizado de máquina.
Resposta
A revisão sistemática avaliou se a incorporação de informações extraídas do texto livre de prontuários eletrônicos (EMRs) aos algoritmos de detecção de casos melhora a qualidade da pesquisa. Foram identificados 67 estudos que relatam extração de informações de texto livre para detectar condições clínicas nomeadas. A maioria utilizou prontuários hospitalares dos Estados Unidos e empregou buscas por palavras-chave, algoritmos baseados em regras ou métodos de aprendizado de máquina.
Os resultados mostraram que a inclusão de informações do texto melhorou significativamente a sensibilidade dos algoritmos de detecção de casos em comparação ao uso apenas de códigos. A sensibilidade mediana foi de 78% para códigos mais texto versus 62% para códigos isolados (P = .03). A área sob a curva ROC mediana foi de 95% versus 88% (P = .025). Não houve diferença clara na acurácia entre métodos baseados em regras e aprendizado de máquina.
Os autores concluem que o texto em prontuários eletrônicos é acessível, especialmente com algoritmos de extração de informação de código aberto, e que sua combinação com códigos melhora substancialmente a detecção de casos. No entanto, destacam a necessidade de maior harmonização nos relatos de estudos com EMRs, particularmente com relação à padronização de métricas de acurácia dos algoritmos, como valor preditivo positivo (precisão) e sensibilidade (recall).
Para o médico brasileiro, esses achados reforçam que depender exclusivamente de códigos estruturados pode subestimar casos e enviesar resultados de pesquisa. A incorporação de texto livre, viável com ferramentas de código aberto, pode melhorar a identificação de pacientes com a condição de interesse. Contudo, a implementação requer atenção à qualidade dos dados e à padronização dos relatos, o que pode impactar a gestão do consultório e a condução de estudos clínicos.
O que o estudo mostrou
Revisão sistemática que buscou 9659 artigos e incluiu 67 estudos que extraíram informações de texto livre de prontuários eletrônicos para detectar condições clínicas. A maioria usou prontuários hospitalares dos Estados Unidos e extraiu informações para 41 condições usando buscas por palavras-chave, algoritmos baseados em regras e aprendizado de máquina. A inclusão de texto melhorou significativamente a sensibilidade mediana (78% vs 62%, P = .03) e a área sob a curva ROC (95% vs 88%, P = .025) em comparação a códigos isolados. Não houve diferença clara entre métodos de extração.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, possíveis vieses de publicação ou heterogeneidade entre as populações e os sistemas de saúde. A maioria dos estudos utilizou prontuários hospitalares dos Estados Unidos, o que pode limitar a generalização para outros contextos, como o brasileiro. O resumo também não fornece informações sobre o desempenho em condições específicas ou sobre custos de implementação.
Aplicação no consultório
Na prática clínica e na gestão do consultório, os achados sugerem que sistemas de prontuário eletrônico que utilizam apenas códigos podem perder casos. Incorporar ferramentas de extração de texto livre, especialmente de código aberto, pode melhorar a identificação de pacientes para pesquisas, auditorias e monitoramento de qualidade. No entanto, é necessário investir em padronização e treinamento para garantir a acurácia dos algoritmos e a confiabilidade dos dados, além de considerar as particularidades do contexto local.
Estudo citado
Extracting information from the text of electronic medical records to improve case detection: a systematic review. Journal of the American Medical Informatics Association : JAMIA, 2016.
Autores: Ford E, Carroll JA, Smith HE, Scott D, Cassell JA.
DOI: 10.1093/jamia/ocv180 · PubMed: PMID 26911811
Perguntas para aprofundar
- Quais métodos de extração de texto livre de prontuários eletrônicos são mais eficazes para detecção de casos?
- Como a incorporação de texto livre pode impactar a pesquisa clínica em instituições brasileiras?
- Quais métricas de acurácia devem ser padronizadas nos estudos que utilizam prontuários eletrônicos?
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?
- O processamento de linguagem natural é superior aos métodos tradicionais para identificar desfechos cirúrgicos em prontuários eletrônicos?
- O uso de processamento de linguagem natural com aprendizado de máquina é eficaz para identificar tromboembolismo venoso em prontuários eletrônicos?
- Algoritmos eletrônicos para identificar tabagismo em prontuários e bases administrativas são válidos para uso clínico e de pesquisa?
- Como técnicas de processamento de linguagem natural e aprendizado de máquina podem ser aplicadas à experiência do paciente em texto livre?
Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown