IA em triagem e prontuário eletrônico

Modelos de machine learning baseados em prontuário eletrônico são eficazes para prever eventos adversos a medicamentos?

Resposta

A revisão sistemática com meta-análise reuniu 59 estudos que desenvolveram modelos de machine learning para prever eventos adversos a medicamentos (EAMs) a partir de dados de prontuário eletrônico. Foram cobertos 15 medicamentos e 15 EAMs específicos, e 38 algoritmos foram reportados. O random forest foi o mais frequente, seguido por support vector machine, XGBoost, árvore de decisão e LightGBM.

O desempenho dos modelos foi geralmente forte: AUC média de 76,68% ± 10,73, acurácia de 76,00% ± 11,26, precisão de 60,13% ± 24,81, sensibilidade de 62,35% ± 20,19, especificidade de 75,13% ± 16,60 e F1 de 52,60% ± 21,10. Na meta-análise, a sensibilidade combinada foi 0,65 (IC 95%: 0,65-0,66), especificidade 0,89 (IC 95%: 0,89-0,90), razão de chances diagnóstica 12,11 (IC 95%: 8,17-17,95) e AUC da curva SROC 0,8069.

Os fatores de risco associados variaram conforme o medicamento e o tipo de EAM, o que reforça a necessidade de modelos específicos para cada contexto. A heterogeneidade entre os estudos foi considerável, refletida nos intervalos de confiança e nos desvios-padrão das métricas. A revisão não informa a qualidade individual dos estudos incluídos nem o risco de viés.

Os autores concluem que pesquisas futuras devem focar em padronização, estudos multicêntricos com dados diversos e avaliação do impacto real dos modelos de inteligência artificial na prática clínica. A aplicação clínica imediata ainda é limitada, mas os resultados sugerem potencial para apoiar a identificação de pacientes em risco.

O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 59 estudos que desenvolveram modelos de machine learning para prever eventos adversos a medicamentos usando dados de prontuário eletrônico. Foram identificados 38 algoritmos, com random forest como o mais usado. O desempenho médio foi AUC de 76,68% ± 10,73, acurácia de 76,00% ± 11,26, sensibilidade de 62,35% ± 20,19 e especificidade de 75,13% ± 16,60. A meta-análise mostrou sensibilidade combinada de 0,65, especificidade de 0,89 e AUC SROC de 0,8069. Os fatores de risco variaram entre medicamentos e EAMs.

Limitações

O resumo não informa a qualidade metodológica dos estudos incluídos, o risco de viés ou a heterogeneidade estatística detalhada. Também não descreve as populações ou os contextos clínicos. A ausência de padronização entre os estudos e a falta de validação externa limitam a generalização dos achados. O resumo não informa se os modelos foram avaliados em ambiente clínico real.

Aplicação no consultório

Os achados sugerem que modelos de machine learning podem auxiliar na identificação de pacientes com risco de eventos adversos a medicamentos, mas ainda não estão prontos para uso rotineiro no consultório. O médico deve considerar a heterogeneidade dos modelos e a necessidade de validação local antes de adotá-los. Na gestão do consultório, investir em prontuário eletrônico estruturado e em equipe capacitada para interpretar alertas pode preparar o terreno para futuras implementações, sem substituir o julgamento clínico.

Estudo citado

Predicting adverse drug event using machine learning based on electronic health records: a systematic review and meta-analysis. Frontiers in pharmacology, 2024.
Autores: Hu Q, Chen Y, Zou D, He Z, Xu T.
DOI: 10.3389/fphar.2024.1497397 · PubMed: PMID 39605909

Perguntas para aprofundar

• Quais algoritmos de machine learning têm melhor desempenho para prever eventos adversos a medicamentos em prontuários eletrônicos?
• Como a heterogeneidade entre estudos afeta a aplicabilidade clínica dos modelos preditivos de eventos adversos a medicamentos?
• Quais são os desafios para implementar modelos de inteligência artificial para prever eventos adversos a medicamentos na prática clínica?

Mais sobre IA em triagem e prontuário eletrônico

• Modelos de machine learning são eficazes para prever eventos adversos a medicamentos em pacientes ambulatoriais?
• Aprendizado de máquina e aprendizado profundo são eficazes para prever mortalidade por sepse usando prontuário eletrônico?
• Modelos de machine learning são eficazes para prever infecção por Clostridioides difficile e suas complicações?
• Os modelos clínicos de predição de neutropenia febril e seus desfechos são confiáveis para orientar decisões no consultório?
• O uso de processamento de linguagem natural com aprendizado de máquina é eficaz para identificar tromboembolismo venoso em prontuários eletrônicos?

Todas as perguntas sobre IA em triagem e prontuário eletrônico · Todos os temas · Versão em markdown