Métodos de aprendizado de máquina aplicados à triagem em serviços de emergência são eficazes para prever desfechos como mortalidade e necessidade de cuidados críticos?
Resposta curta: Sim, segundo revisão sistemática que identificou onze estudos. Os métodos de aprendizado de máquina previram consistentemente desfechos importantes como mortalidade, necessidade de cuidados críticos, admissão e hospitalização, em comparação com escalas como o Emergency Severity Index. Entre os modelos, XGBoost e Redes Neurais Profundas obtiveram os maiores níveis de acurácia preditiva, enquanto a Regressão Logística apresentou os piores valores.
Resposta
A triagem em serviços de emergência exige avaliação e classificação acuradas dos sintomas. Tecnologias como o aprendizado de máquina (ML) podem auxiliar nesse processo, melhorando predições a partir de registros de saúde ou do fluxo de pacientes. Esta revisão sistemática teve como objetivo analisar a efetividade de sistemas de ML na triagem para fazer predições no departamento de emergência, em comparação com outras escalas ou escores de triagem.
Seguindo as recomendações PRISMA, os autores realizaram uma revisão sistemática nas bases CINAHL, Cochrane, Cuiden, Medline e Scopus, com a equação de busca "Machine learning AND triage AND emergency". Foram identificados onze estudos que atenderam aos critérios. Os resultados mostram que o uso de métodos de ML prediz consistentemente desfechos importantes como mortalidade, desfechos de cuidados críticos, admissão e necessidade de hospitalização, em comparação com escalas como o Emergency Severity Index ou outras.
Entre os modelos de ML considerados, XGBoost e Redes Neurais Profundas obtiveram os maiores níveis de acurácia preditiva, enquanto a Regressão Logística apresentou os piores valores. Esses achados sugerem que a escolha do algoritmo pode influenciar o desempenho preditivo, com modelos mais complexos tendendo a superar abordagens lineares tradicionais.
Os autores concluem que os métodos de aprendizado de máquina podem ser um bom instrumento para auxiliar o processo de triagem, prevendo variáveis importantes de emergência como mortalidade, necessidade de cuidados críticos ou hospitalização. No entanto, a implementação na prática clínica requer considerações sobre validação, integração aos sistemas existentes e treinamento das equipes.
Para o médico brasileiro, especialmente aqueles que atuam em pronto-socorro ou gestão de serviços de emergência, esses achados indicam que ferramentas de ML podem apoiar a triagem, mas não substituem o julgamento clínico. A escolha do modelo e a validação local são aspectos cruciais antes da adoção rotineira.
O que o estudo mostrou
Revisão sistemática seguindo recomendações PRISMA, com busca em cinco bases de dados (CINAHL, Cochrane, Cuiden, Medline e Scopus) usando a equação "Machine learning AND triage AND emergency". Foram identificados onze estudos. Os resultados mostram que métodos de ML predizem consistentemente desfechos como mortalidade, desfechos de cuidados críticos, admissão e necessidade de hospitalização, em comparação com escalas como Emergency Severity Index. XGBoost e Redes Neurais Profundas obtiveram os maiores níveis de acurácia preditiva, enquanto a Regressão Logística apresentou os piores valores.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, tamanho de amostra, heterogeneidade entre os estudos ou possíveis vieses de publicação. Também não são descritas as populações específicas ou os contextos de aplicação, o que limita a generalização dos achados. Além disso, não há informação sobre validação externa dos modelos ou sobre a comparação com outras escalas além do Emergency Severity Index.
Aplicação no consultório
Para o médico que atua em emergência ou gestão de serviços, os achados sugerem que sistemas de ML podem auxiliar na triagem, priorizando pacientes com maior risco de desfechos adversos. No entanto, a implementação requer validação local dos modelos, integração com o prontuário eletrônico e treinamento da equipe. A escolha do algoritmo (XGBoost, Redes Neurais) deve considerar o desempenho preditivo, mas também a interpretabilidade e os recursos disponíveis. O ML não substitui a avaliação clínica, mas pode ser uma ferramenta complementar para otimizar o fluxo de pacientes e a alocação de recursos.
Estudo citado
Machine learning methods applied to triage in emergency services: A systematic review. International emergency nursing, 2022.
Autores: Sánchez-Salmerón R, Gómez-Urquiza JL, Albendín-García L, Correa-Rodríguez M, Martos-Cabrera MB, Velando-Soriano A, Suleiman-Martos N.
DOI: 10.1016/j.ienj.2021.101109 · PubMed: PMID 34952482
Perguntas para aprofundar
- Como o aprendizado de máquina pode ser integrado à triagem de emergência no Brasil?
- Quais são os desafios para validar modelos de ML em serviços de emergência?
- XGBoost e Redes Neurais Profundas são superiores às escalas tradicionais de triagem?
Mais sobre IA em triagem e prontuário eletrônico
- Modelos de machine learning identificam e predizem a necessidade de admissão em UTI em pacientes da emergência?
- Quais algoritmos de aprendizado de máquina têm sido aplicados em unidades de emergência e quais são suas limitações?
- A inteligência artificial pode apoiar a triagem de enfermagem no pronto-socorro e reduzir a subtriagem?
- A aplicação de inteligência artificial pode melhorar o desempenho da triagem em departamentos de emergência?
- 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