Modelos de deep learning baseados em trajetórias de prontuário eletrônico podem melhorar a predição de riscos à saúde?
Resposta curta: Sim, modelos de deep learning aplicados a trajetórias de prontuário eletrônico têm mostrado capacidade de prever riscos futuros, como doenças cardiovasculares e todas as doenças na próxima visita. A revisão sistemática identificou 63 estudos com rápido crescimento, utilizando redes neurais recorrentes, atenção e grafos para lidar com dependências complexas e explicabilidade.
Resposta
A revisão sistemática analisou a literatura sobre modelos de deep learning baseados em trajetórias de prontuário eletrônico (EHR), que capturam o aspecto temporal dos registos de saúde. O objetivo foi identificar desafios, lacunas de conhecimento e direções de pesquisa. Foram incluídos 63 artigos publicados entre 2016 e 2022, mostrando crescimento acelerado na área.
Os alvos de predição mais comuns foram todas as doenças na próxima visita e o início de doenças cardiovasculares. Diferentes métodos de aprendizado de representação contextual e não contextual foram empregados para extrair informações relevantes das sequências de trajetórias de EHR. Técnicas como redes neurais recorrentes, mecanismos de atenção sensíveis ao tempo, self-attention, redes neurais convolucionais e grafos para representar relações intra-visita foram frequentes.
Os avanços recentes em deep learning facilitaram a modelagem de trajetórias de EHR, com progresso em redes neurais de grafos, mecanismos de atenção e aprendizado cross-modal para analisar dependências complexas. No entanto, poucos modelos desenvolvidos conseguem lidar com todos os aspectos dos dados de trajetória de EHR, e há necessidade de mais conjuntos de dados públicos para permitir comparação entre modelos.
Para o médico, esses modelos representam potencial para identificação precoce e prevenção primária, mas a aplicação clínica ainda requer validação e infraestrutura. A revisão destaca a importância de dados públicos e da explicabilidade para confiança clínica.
O que o estudo mostrou
Revisão sistemática que buscou nas bases Scopus, PubMed, IEEE Xplore e ACM de janeiro de 2016 a abril de 2022, selecionando 63 artigos após remoção de duplicatas e fora de escopo. Houve rápido crescimento no número de pesquisas. Os alvos mais comuns foram predição de todas as doenças na próxima visita e início de doenças cardiovasculares. Métodos de aprendizado de representação contextual e não contextual foram usados para extrair informações das sequências de EHR. Redes neurais recorrentes, atenção sensível ao tempo, self-attention, redes convolucionais, grafos para relações intra-visita e escores de atenção para explicabilidade foram frequentes.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre viés de publicação. Também não são fornecidas informações sobre tamanho de amostra dos estudos primários ou limitações específicas de cada modelo. A revisão cobre apenas até abril de 2022, e o resumo não menciona análise de heterogeneidade ou meta-análise. Além disso, poucos modelos lidam com todos os aspectos dos dados de trajetória de EHR, e a falta de conjuntos de dados públicos dificulta comparações.
Aplicação no consultório
A aplicação prática no consultório ainda é indireta: os modelos preditivos baseados em trajetórias de EHR podem, no futuro, auxiliar na identificação precoce de riscos e na prevenção primária. Para o médico, é importante conhecer essas ferramentas para avaliar sua incorporação em sistemas de saúde e prontuários eletrônicos. A gestão do consultório pode se beneficiar de sistemas que integrem tais modelos para estratificação de risco, mas a implementação requer validação local e consideração de explicabilidade. A revisão reforça a necessidade de mais dados públicos e modelos abrangentes antes da adoção clínica rotineira.
Estudo citado
Deep learning prediction models based on EHR trajectories: A systematic review. Journal of biomedical informatics, 2023.
Autores: Amirahmadi A, Ohlsson M, Etminani K.
DOI: 10.1016/j.jbi.2023.104430 · PubMed: PMID 37380061
Perguntas para aprofundar
- Quais técnicas de deep learning são mais usadas para modelar trajetórias de prontuário eletrônico?
- Como a explicabilidade tem sido abordada em modelos preditivos baseados em EHR?
- Quais são as principais lacunas na pesquisa sobre deep learning em trajetórias de EHR?
Mais sobre IA em triagem e prontuário eletrônico
- A codificação automática de CID com deep learning já é uma realidade promissora para o prontuário eletrônico?
- Como o aprendizado profundo de representação de pacientes a partir de prontuários eletrônicos pode ser aplicado na prática clínica e na gestão do consultório?
- Quais são as oportunidades e desafios no desenvolvimento de modelos de aprendizado profundo usando dados de prontuários eletrônicos?
- Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?
- Como os embeddings de texto clínico evoluíram e quais são suas aplicações na prática clínica?
Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown